01
课程导论与项目全景
实时运动检测的应用场景（安防、体育、人机交互）、系统技术栈概览（OpenCV、Python、摄像头）、课程目标与学习路径图。
导论全景
02
开发环境搭建
Python 3.x 安装与配置、pip换源、虚拟环境（venv）的创建与使用、安装OpenCV-Python与NumPy库。
环境配置
03
OpenCV基础入门
图像的读取（imread）、显示（imshow）、保存（imwrite）、图像的基本属性（shape, dtype）。
OpenCV图像
04
摄像头视频流捕获
使用cv2.VideoCapture打开摄像头、读取帧（read）、释放资源（release）、设置摄像头参数（分辨率、帧率）。
摄像头视频流
05
视频帧处理基础
色彩空间转换（BGR转灰度GRAY）、图像缩放（resize）、高斯模糊（GaussianBlur）去噪。
预处理滤波
06
帧差法原理与实现
相邻帧做差（absdiff）、二值化（threshold）、膨胀与腐蚀（dilate, erode）去除噪点、显示运动区域。
帧差法形态学
07
背景减除法（MOG2）
OpenCV的createBackgroundSubtractorMOG2、学习率参数调整、前景掩码提取、阴影检测与去除。
MOG2背景减除
08
背景减除法（KNN）
OpenCV的createBackgroundSubtractorKNN、与MOG2的对比、不同场景下的选择策略。
KNN对比
09
轮廓检测与绘制
使用findContours查找运动目标轮廓、drawContours绘制轮廓、轮廓的近似与过滤（面积、周长）。
轮廓过滤
10
运动目标框选
计算轮廓的外接矩形（boundingRect）、绘制矩形框、合并重叠框（非极大值抑制NMS思想）。
框选NMS
11
运动目标跟踪基础
基于质心的简单跟踪、利用欧几里得距离匹配前后帧目标、维护目标ID。
跟踪质心
12
运动方向与速度估计
计算目标质心位移向量、估算运动速度（像素/帧）、在视频上绘制运动轨迹与方向箭头。
速度轨迹
13
运动检测灵敏度调优
调整二值化阈值、形态学操作（开运算、闭运算）优化、面积阈值过滤小物体。
调优阈值
14
ROI区域设定
手动设定检测区域（矩形、多边形）、只对ROI内的运动进行检测、提高性能与减少误报。
ROI区域
15
多摄像头支持
循环切换多个摄像头、多线程读取提高帧率、同步显示多路视频流。
多摄像头多线程
16
视频文件分析与回放
读取本地视频文件（.mp4, .avi）、控制播放速度、暂停/继续功能、跳转到指定帧。
回放控制
17
运动检测日志记录
记录运动发生的时间戳、运动区域面积、目标数量、保存为CSV文件。
日志CSV
18
运动检测报警机制
设定运动强度阈值、触发报警（控制台打印、声音报警beep、发送邮件通知）。
报警通知
19
图像快照与录像
检测到运动时自动保存当前帧为JPEG、录制运动发生前后N秒的视频片段。
快照录像
20
GUI界面开发（Tkinter基础）
Tkinter窗口布局、按钮（开始/停止检测）、标签显示状态、文本框显示日志。
GUITkinter
21
GUI集成视频显示
在Tkinter中嵌入OpenCV视频流（PIL.ImageTk）、实时刷新画面、避免界面卡顿。
视频显示PIL
22
GUI参数调节面板
添加滑块调节阈值、面积大小、学习率等参数、实时生效、用户体验优化。
参数调节滑块
23
运动检测系统打包
使用PyInstaller将Python脚本打包为exe可执行文件、处理资源文件路径、减小体积。
打包exe
24
性能优化（CPU/GPU）
使用Canny边缘检测辅助、降低分辨率、使用OpenCV的UMat（OpenCL加速）、多进程处理。
优化GPU
25
运动检测与深度学习结合
使用预训练MobileNet-SSD检测行人/车辆、结合运动检测过滤静态物体。
深度学习MobileNet
26
光流法运动检测
Lucas-Kanade光流法原理、计算稀疏光流、绘制特征点运动轨迹、与帧差法对比。
光流Lucas-Kanade
27
运动检测系统架构设计
模块化设计（采集层、处理层、逻辑层、展示层）、类与接口设计、配置文件管理。
架构模块化
28
项目实战：室内入侵检测
部署摄像头、设置敏感区域、实现夜间红外模式检测、测试与调优。
实战入侵检测
29
项目实战：人流计数统计
在出入口设置虚拟线、利用运动检测与跟踪实现双向计数、数据可视化。
实战人流计数
30
课程总结与扩展方向
回顾核心知识点、常见问题排错指南、未来方向（YOLO+跟踪、边缘计算部署、云平台集成）。
总结扩展