OpenCV的video module中包含了幾種較為常用的背景減除方法，其中混合高斯模型（Gaussian of Mixture Models, GMM）方法效果較好。
常用的目標檢測方法：1）幀間差分；2）背景減除；
其中背景減除方法的關鍵在於建立一個魯棒的背景模型（背景圖像），常用的建立背景模型方法有：
1）均值法；2）中值法；3）滑動平均濾波法；4）單高斯；5）混合高斯模型；6）codebook，等。
混合高斯模型的原理：
每個像素的R、G、B三個通道像素值的變化分別由一個混合高斯模型分布來刻畫。這樣的好處在於，同一個像素位置處可以呈現多個模態的像素值變化（例如水波紋，晃動的葉子等）。
GMM的出處：Adaptive background mixture models for real-time tracking （1999年由Chris Stau er提出）
OpenCV版本：2.4.2
下面的代碼實現了基於GMM的運動目標檢測，同時能夠消除運動陰影； （基於文獻：Improved adaptive Gausian mixture model for background subtraction）
// 基於混合高斯模型的運動目標檢測
// Author： http://blog.csdn.net/icvpr
#include <iostream>
#include <string>
#include <opencv2/opencv.hpp>
int main(int argc, char** argv)
{
std::string videoFile = "../test.avi";
cv::VideoCapture capture;
capture.open(videoFile);
if (!capture.isOpened())
{
std::cout<<"read video failure"<<std::endl;
return -1;
}
cv::BackgroundSubtractorMOG2 mog;
cv::Mat foreground;
cv::Mat background;
cv::Mat frame;
long frameNo = 0;
while (capture.read(frame))
{
++frameNo;
std::cout<<frameNo<<std::endl;
// 運動前景檢測，並更新背景
mog(frame, foreground, 0.001);
// 腐蝕
cv::erode(foreground, foreground, cv::Mat());
// 膨脹
cv::dilate(foreground, foreground, cv::Mat());
mog.getBackgroundImage(background); // 返回當前背景圖像
cv::imshow("video", foreground);
cv::imshow("background", background);
if (cv::waitKey(25) > 0)
{
break;
}
}
return 0;
}
實驗結果：
當前幀圖像
當前背景圖像
前景圖像
經過腐蝕和膨脹處理後的前景圖像
（白色為運動目標區域；灰色為陰影區域；黑色為背景）
