（1）熟悉视频前景目标提取的原理；
（2）掌握背景建模方法;
（3）掌握前景区域特征分析.
- 利用OpenCV完成帧间差分并显示结果。
二帧差分法帧差图：
- 实现统计均值背景建模和高斯混合建模，并对比背景图。
均值背景建模：
高斯混合建模：
- 使用背景差分提取前景目标，参考教材12章，将轮廓信息标示。
背景差分法：
- 帧间差分：（优点）算法实现简单，程序设计复杂度低，对光线等场景不太敏感，具有较强鲁棒性。（缺点）不能提取出完整区域，对象内部有“空洞”，边缘轮廓较粗。
- 均值背景建模：（优点）简单计算速度快。（缺点）对环境光照变化比较敏感。
- 高斯混合建模：（优点）具有良好的数学特性和较好的计算性能；是最快的混合模型算法；GMM是生成模型，它比确定性模型更快地达到渐近误差；它可以模拟模型中任意变量的分布，并且很容易扩展到无监督学习。（缺点）收敛良好，但不能保证找到全局最大值，即使它可能达到局部最大值；GMM在高维数据上的性能不尽人意，特别是在样本不足的情况下，很难估算协方差；GMM属于高斯分布，发行版的数量是未知的，它需要用户自己调优。
背景差分提取前景目标：（示意图如下）
- 查阅资料，简述3种视频背景建模方法原理。
答：（1）帧差法建模：帧表示视频流的每一个图像，假设ft是视频流的当前帧，则帧间差分可用公式表示： ，这种方式能够反应帧前后的像素变换，但不能很好地得到目标完整区域。
（2）统计平均背景建模：将视频流的所有历史帧进行平均得到背景，绝对差分后设定阈值T，当差值大于阈值时则为前景。
（3）混合高斯模型建模：
原理：由于光照等因素，图像中每个像素点的值（或特征）短时间内都是围绕与某一中心值一定距离内分布，通常中心值可以用均值来代替，距离可以用方差来代替。根据统计定律，如果数据点足够多的话，是可以说这些点呈正态分布，也称为高斯分布，给定一个像素值，可以计算可能的概率值。每个位置的中心值为背景图片的值，如果像素点的值偏离中心值较远，那么，这个像素值属于前景，如果像素点的值偏离中心值很近（在一定方差范围内），那么可以说这个点属于背景。
方法：从视频流中读取视频帧填充多维矩阵(num_frames, image_width, image_height, num_channels)； 对于每个像素点，从时序上用期望最大化（EM）算法计算K个高斯模型，包括模型权值、模型均值、方差；模型权值最大的模型均值初始化为背景图。
