In Punkto Objekterkennung solltest du dir mal das benutzerunfreundliche, ergonomisch schlechte aber in Leistung hervorragende Programm WiT anschauen. Dort erstellt man Graphen aus Operatoren die alle einer C-Fkt. entsprechen und inner Vollversion kann man daraus dann Code erstellen lassen.
Wäre für das Verständnis der Erkennerei sehr förderlich sowas mal "komfortabel" zu machen. Dann bekommst vielleicht auch ein Gespür wie hart das Thema sein kann.
Einfach einer Bewegung zu folgen reicht nämlich nicht... weil es in Bildern selten nur eine Bewegung gibt ....

Gruss, Sascha