基本思想
OpenCV中支持的两种背景提取算法都是基于模型密度评估，然后在像素级对图像进行前景与背景分类的方法，它们具有相同的假设前提 – 各个像素之间是没有相关性的，跟它们算法思想不同的方法主要是基于马尔可夫随机场理论，认为每个像素跟周围的像素是有相关性关系，但是基于马尔可夫随机场的方法速度与执行效率都堪忧！所以OpenCV中没有实现。
基于像素分类的背景分析方法
- 自适应的背景提取（无参数化/ KNN）
- 基于GMM的背景提取
- 基于模糊积分的背景提取
这些背景建模的方法一般都可以分为如下三步完成
- 背景初始化阶段(背景建模提取)
- 前景检测阶段(视频分析，前景对象检测)
- 背景维护与更新(视频分析过程中)
视频分析中，工作方式如下：
算法介绍
实现对前景与背景像素级别的建模，最常见的是RGB像素的概率密度分布，当对象没有变化的时候，通过连续的N帧进行建模生成背景模型
高斯混合模型(GMM)方式正好满足这种方式，对高斯混合模型中的每个componet进行建模，计算表达如下：
基于GMM的核密度估算需要考虑初始输入componet数目参数、OpenCV中实现的另外一种方法是基于简单的核密度估算方法，然后通过KNN对输出的每个像素进行前景与背景分类，实现了更加快速的背景分析。非参数话的模型更新
上述两种方法都是基于像素分类，采用非此即彼的方法，没有考虑到像素之间相似度的关联性，在实际应用场景中有些情况会带来问题。所以还有一种相似度进行模糊积分决策方法，它的算法流程如下：
其中颜色相似性度量如下：
代码与演示
OpenCV在release模块中相关API
代码语言：javascript复制Ptr<BackgroundSubtractorMOG2> cv::createBackgroundSubtractorMOG2(
int history = 500,
double varThreshold = 16,
bool detectShadows = true
)
参数解释
History表示的是历史帧数多少，这个跟作者论文提到的采样有关计算模型建立有关系
varThreshold表示马氏距离的阈值
detectShadows是否检测阴影演示代码
代码语言：javascript复制import cv2 as cv
capture = cv.VideoCapture("D:/images/video/video_004.avi")
mog = cv.createBackgroundSubtractorMOG2()
se = cv.getStructuringElement(cv.MORPH_RECT, (3, 3))
while True:
ret, image = capture.read()
if ret is True:
fgmask = mog.apply(image)
ret, binary = cv.threshold(fgmask, 220, 255, cv.THRESH_BINARY)
binary = cv.morphologyEx(binary, cv.MORPH_OPEN, se)
bgimage = mog.getBackgroundImage()
cv.imshow("bgimage", bgimage)
cv.imshow("frame", image)
cv.imshow("fgmask", binary)
c = cv.waitKey(50)
if c == 27:
break
else:
break
cv.destroyAllWindows()运行结果
画面解释：最左侧是输入视频的一帧，有一只小兔子在跑，中间是背景建模，右侧是前景检测，生成的移动对象mask，可见小兔子作为移动目标被成功捕获！
