学习OpenCV范例（二十三）—GMM前景检测（一）

前一篇博客中有谈论到混合高斯模型GMM，但是只是在上面的一个小应用，可能没有很彻底的分析，大部分读者看起来有点吃力，那么在这篇微博中就给大家分析一下GMM在前景检测的原理以及在OpenCV中的运用，当然长篇大论的原理我还是不全部写出来的，依旧会贴出其他高手的博客，他们写的个人觉得已经够详细了，再总结已经没什么意思了，也总结不出太多的新意，在这里也是作为记录，谈谈自己的小感悟以及运行的结果和函数的使用。

1、原理

如果大家想了解最原汁原味的原理，那还是看原作者的论文吧，如果想了解浓缩版的，和基本的实现步骤，那可以访问以下几篇博客

①、前景检测算法_3(GMM)

②、 混合高斯模型GMM

当然，看完了论文，还会觉得有点云里雾里的感觉，不知道怎么做到的，怎么实现，那这时候就得看看源代码了

③、 我的OpenCV学习笔记（25）：c++版本的高斯混合模型的源代码完全注释（OpenCV的源代码）

④、运动检测（前景检测）之（二）混合高斯模型GMM（挺不错的GMM代码实现，同时也提供了很多不错的链接）

有了原理，又提供了函数库，有了函数接口，那肯定得试一下效果如何

⑤、前景检测算法_4(opencv自带GMM)

本人也是根据上面提供的代码测试了效果，加强了一点注解，感觉不错。

GMM算法不同于其他的背景相减方法，因为有时背景也存在部分区域的震荡变化，那如果按照一般的前景检测方法，则会频繁的检测到错误的前景，GMM算法则有效的克服了这一点，那是因为GMM算法有效的做到了以下几点：

（1）、对每个像素建立多个高斯模型（即存在多个滑动平均值），那么背景像素就可以在多个均值之间波动，而不会被误判，如果有新的像素值不属于其中的一个高斯模型，则认为是前景。

（2）、不仅仅保存滑动平均值，还保存了滑动方差，由方差和均值产生了一个高斯模型，于是我们可以获知某个像素值属于哪个高