opencv中BackgroundSubtractorMOG类中的背景提取

          在智能视频分析中，混合高斯建模算法（GMM）是使用最为广泛的算法之一，近来项目对速度要求较高，原先研发的算法在实时性上无法满足需求，因此转向GMM。在Opencv中，有GMM算法的三个实现版本，分别是BackgroundSubtractorMOG、BackgroundSubtractorMOG2和BackgroundSubtractorGMG，在多种实际场景测试和比较中，发现BackgroundSubtractorMOG综合性能要优于其他两种，因此采用BackgroundSubtractorMOG为原型进行改写。

          在该版本中，背景提取部分没有实现，其实也就是很简单的一个处理（不知道为什么OpenCV至今还没补充完善？），背景提取代码如下：    

// 提取背景
	void getBackgroundImage(OutputArray backgroundImage) const
	{
		int nchannels = CV_MAT_CN(frameType);
		CV_Assert( nchannels == 3 );
		Mat meanBackground(frameSize, CV_8UC3, Scalar::all(0));		
		
		const MixData<Vec3f>* mptr = (MixData<Vec3f>*)bgmodel.data;	
		for(int row=0; row<meanBackground.rows; row++)
		{
			for(int col=0; col<meanBackground.cols; col++, mptr += nmixtures)
			{				
				Vec3f meanVal;
				float totalWeight = 0.f;
				for( int k = 0; k < nmixtures; k++ )
				{
					float w = mptr[k].weight;					
					if( w < FLT_EPSILON )
						break;
					
					totalWeight += w;
					 meanVal += mptr[k].mean*w;
					 if ( totalWeight> backgroundRatio)
						 break;
				}
				meanVal *= (1.f / totalWeight);
				meanBackground.at<Vec3b>(row, col) = Vec3b(meanVal);				
			}
		}

		switch(CV_MAT_CN(frameType))
		{
		case 1:
			{
				vector<Mat> channels;
				split(meanBackground, channels);
				channels[0].copyTo(backgroundImage);
				break;
			}

		case 3:
			{
				meanBackground.copyTo(backgroundImage);
				break;
			}

		default:
			CV_Error(CV_StsUnsupportedFormat, "");
		}		
	}

 实例很简单，就不跑了。