可见，从应用技术划分，机器视觉是一门综合了模拟、数字电子、计算机、图像处理、传感器、机械工程、光源照明、光学成像等跨学科的前沿技术;从应用学科划分，机器视觉是一门涉及人工智能、神经生物学、心理物理学、计算机科学、图像处理、模式识别等多个领域的交叉学科。
机器视觉技术的发展，归功于计算机软件技术使现有大规模集成电子电路技术发展的成果达到了极大化的利用，尤其是多媒体和数字图像处理及分析理论方面的技术成熟，使得机器视觉技术不仅在理论，而且在应用上都得到了高速发展。
机器视觉之于人工智能的意义等同于视觉之于人类的意义，而决定着机器视觉的就是图像处理技术。不同的应用领域需要不同的图像处理算法来实现机器视觉。常用的机器视觉领域图像算法有运动目标检测算法、基于深度学习的人脸算法等。
下面介绍下机器视觉中的运动目标检测图像算法，该方法是运动物体识别和跟踪的基础。移动物体的检测依据视频图像中背景环境地不同可以分为静态背景检测和动态背景检测。由于篇幅有限，我们这里只介绍静态背景检测算法。常见的静态背景目标的检测算法包括帧间差分法、背景减除法、光流法等。这些背景不变算法的优缺点描述如下表二。
在上述检测算法中，帧间差分法和背景减除法更加适用于如视频监控、智能交通系统等图像背景静止的环境中。光流法则更加适用于背景不断变化的动态环境中。下面我们来介绍以上三种常用算法的基本原理。
帧间差分法的适应环境能力强、计算量小、且稳定性好，是目前应用广泛的一类运动检测方法。其原理是将相帧或者三帧序列图像像素点的对应灰度值进行相减，如果灰度差值大于阈值则说明此处物体发生了变化，它是运动的;如果像素的灰度差值小于给定阈值说明此处物体没有发生变化，认为它是静止的。将像素灰度值发生变化的部分标记出来，这些被标记的点就组成了运动目标区域。进一步对灰度图像进行二值化分析，提取目标运动信息，区分出前景和背景图像，进而分割出运动目标。
