一、背景建模：帧差法
由于场景中的目标在运动，目标的影像在不同图像帧中的位置不同，该类算法对时间上连续的两帧图像进行差分运算，不同帧对应的像素点相减，判断灰度差的绝对值，当绝对值超过一定阈值时，即可判断为运动目标，从而实现目标的检测功能。
帧差法非常简单，但是会引入噪音和空洞问题。
二、混合高斯模型
1、在进行前景检测前，先对背景进行训练，对图像中每个背景采用一个混合高斯模型进行模拟，每个背景的混合高斯的个数可以自适应，然后在测试阶段，对新来的像素进行GMM匹配，如果该像素值能够匹配其中一个高斯，则认为是背景，否则认为是前景。
由于整个过程GMM模型在不断更新学习中所以对动态背景有一定的鲁棒性（在下面的小插曲中会介绍），最后通过对一个有树枝摇摆的动态背景进行前景检测，取得了较好的效果。
在视频中对于像素点的变化情况应当是符合高斯分布：
背景的实际分布应当是多个高斯分布混合在一起，每个高斯模型也可以带有权重。
小插曲：
Huber从稳健统计的角度系统地给出了鲁棒性3个层面的概念：
1）是模型具有较高的精度或有效性，这也是对于机器学习中所有学习模型的基本要求；
2）是对于模型假设出现的较小偏差，只能对算法性能产生较小的影响； 主要是：噪声（noise）
3）是对于模型假设出现的较大偏差，不可对算法性能产生“灾难性”的影响。 主要是：离群点（outlier）
2、混合高斯模型学习方法：
（1）首先初始化每个高斯模型矩阵参数。
（2）取视频中T帧数据图像用来训练高斯混合模型。来了第一个像素之后用它来当做第一个高斯分布。
（3）当后面来的像素值时，与前面已有的高斯的均值比较，如果该像素点的值与其模型均值差在3倍的方差内，则属于该分布，并对其进行参数更新。
（4）如果下一次来的像素不满足当前高斯分布，用它来创建一个新的高斯分布。
3、混合高斯模型测试方法：
在测试阶段，对新来像素点的值与混合高斯模型中的每一个均值进行比较，如果其差值在2倍的方差之间的话，则认为是背景，否则认为是前景。将前景赋值为255，背景赋值为0。这样就形成了一副前景二值图。
三、代码实现：（我会在代码注释那里简单介绍每一部分的作用，是为了实现什么，具体的代码理解在代码呈现的下一步）
import numpy as np
import cv2
#打开目标测试视频
cap = cv2.VideoCapture('C:/Users/xiaoyan/opencv-picture/test.avi') #注意视频的文件类型，右击属性那里查看
#形态学操作需要使用
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))
#创建混合高斯模型用于背景建模
fgbg = cv2.createBackgroundSubtractorMOG2()
while(True):
ret, frame = cap.read()
fgmask = fgbg.apply(frame)
#形态学开运算去噪点
fgmask = cv2.morphologyEx(fgmask, cv2.MORPH_OPEN, kernel)
#寻找视频中的轮廓
ret,contours, hierarchy = cv2.findContours(fgmask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for c in contours:
#计算各轮廓的周长
perimeter = cv2.arcLength(c,True)
if perimeter > 188:
#找到一个直矩形（不会旋转）
x,y,w,h = cv2.boundingRect(c)
#画出这个矩形
cv2.rectangle(frame,(x,y),(x+w,y+h),(0,255,0),2)
cv2.imshow('frame',frame)
cv2.imshow('fgmask', fgmask)
k = cv2.waitKey(10) & 0xff
if k == 27:
break
cap.release()
cv2.destroyAllWindows()
1、cap = cv2.VideoCapture(‘C:/Users/xiaoyan/opencv-picture/test.avi’)
1)VideoCapture()中参数是视频文件路径则打开视频，如上.
2)参数是0，表示打开笔记本的内置摄像头.如下：
#打开摄像头
camera = cv2.VideoCapture(0)
2、kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))
1）cv2.getStructuringElement这个函数的第一个参数表示内核的形状，有三种形状可以选择：
矩形：MORPH_RECT;
交叉形：MORPH_CROSS;
椭圆形：MORPH_ELLIPSE;
第二和第三个参数分别是内核的尺寸以及锚点的位置，
一般在调用erode以及dilate函数之前，先定义一个Mat类型的变量来获得getStructuringElement函数的返回值。
对于锚点的位置，有默认值Point（-1,-1），表示锚点位于中心点。element形状唯一依赖锚点位置，其他情况下，锚点只是影响了形态学运算结果的偏移。
2）定义结构元素：
形态学处理的核心就是定义结构元素，在OpenCV-Python中，可以使用其自带的getStructuringElement函数，也可以直接使用NumPy的ndarray来定义一个结构元素。
3、BackgroundSubtractorMOG2
1）这是以高斯混合模型为基础的背景/前景分割算法，这个算法的一个特点是它为每 一个像素选择一个合适数目的高斯分布，
这样就会对由于亮度等发生变化引起的场景变化产生更好的适应
2）我们需要创建一个背景对象。但在这里我们我们可以选择是否检测阴影。如果 detectShadows = True(默认值)，它就会检测并将影子标记出来，但是这样做会降低处理速度。影子会被标记为灰色。
BackgroundSubtractorMOG2算法相对于BackgroundSubtractorMOG的两个改进点 ：
a.阴影检测
b.速度快了一倍
想要了解BackgroundSubtractorMOG的朋友可以参考链接https://cloud.tencent.com/developer/article/1459471
4、ret,frame = cap.read()
cap.read()按帧读取视频，ret,frame是获cap.read()方法的两个返回值。
其中ret是布尔值，如果读取帧是正确的则返回True，如果文件读取到结尾，它的返回值就为False。frame就是每一帧的图像，是个三维矩阵。
5、k = cv2.waitKey(10) & 0xff
1）cv2.waitKey(1)，waitKey（）方法本身表示等待键盘输入，
参数是1，表示延时1ms切换到下一帧图像，对于视频而言；
参数为0，如cv2.waitKey(0)只显示当前帧图像，相当于视频暂停；
参数过大如cv2.waitKey(1000)，会因为延时过久而卡顿感觉到卡顿。
2）cv2.waitkey(delaytime)------->returnvalue
在delaytime时间内,按键盘, 返回所按键的ASCII值;若未在delaytime时间内按任何键, 返回-1；其中,dalaytime: 单位ms;
当delaytime为0时,表示forever,永不退回， 当按esc键时,因为esc键ASCII值为27,所有returnvalue的值为27, 一般用这个机制实现在delaytime内正常退出。
如果播放的是一段视频，那么视频会在经过dalaytime后停止播放。
0xff：0xff是一个位掩码，十六进制常数，二进制值为11111111, 它将左边的24位设置为0,把返回值限制在在0和255之间
6、cap.release()
调用release()释放摄像头
7、cv2.destroyAllWindows()
调用destroyAllWindows()关闭所有图像窗口
