OpenCV的video module中包含了几种较为常用的背景减除方法，其中混合高斯模型（Gaussian of Mixture Models, GMM）方法效果较好。
常用的目标检测方法：1）帧间差分；2）背景减除；
其中背景减除方法的关键在于建立一个鲁棒的背景模型（背景图像），常用的建立背景模型方法有：
1）均值法；2）中值法；3）滑动平均滤波法；4）单高斯；5）混合高斯模型；6）codebook，等。
混合高斯模型的原理：
每个像素的R、G、B三个通道像素值的变化分别由一个混合高斯模型分布来刻画。这样的好处在于，同一个像素位置处可以呈现多个模态的像素值变化（例如水波纹，晃动的叶子等）。
GMM的出处：Adaptive background mixture models for real-time tracking （1999年由Chris Stau er提出）
OpenCV版本：2.4.2
下面的代码实现了基于GMM的运动目标检测，同时能够消除运动阴影； （基于文献：Improved adaptive Gausian mixture model for background subtraction）
#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;
// 运动前景检测，并更新背景
mog(frame, foreground, 0.001);
// 腐蚀
cv::erode(foreground, foreground, cv::Mat());
// 膨胀
cv::dilate(foreground, foreground, cv::Mat());
mog.getBackgroundImage(background); // 返回当前背景图像
cv::imshow("video", foreground);
cv::imshow("background", background);
if (cv::waitKey(25) > 0)
{
break;
}
}
return 0;
}
实验结果：
当前帧图像
当前背景图像
前景图像
经过腐蚀和膨胀处理后的前景图像
（白色为运动目标区域；灰色为阴影区域；黑色为背景）