运动目标检测（GMM、Code Book、Vibe）

        运动目标检测（前景背景分离）被认为是视频分析学习的入门基础，分为以像素为特征的方法和以纹理为特征的方法，以纹理为特征的方法主要参考上节所讲的LBP和SILTP，这里我们重点介绍像素方法，像素方法是最常用也是最直观的方法。

        像素方法假设的基础是背景建模，即建立背景像素的模型，符合该模型的像素判断为背景并且作为新的输入对背景进一步更新，不符合该模型的像素点判断为前景（即运动目标），主流的前景检测方法包括：静态差分、CodeBook方法、高斯背景建模、VIBE方法。

•   静态差分

        以视频首帧或者手动选取视频中不存在目标的场景帧作为参考帧，简单通过视频帧减去参考帧即得到运动的目标区域。这种方法优点在于很容易理解，缺点是无法表述场景的更新，当发生较大的变化时（比如光照、抖动、背景较大变化）结果会有很大误差。

        静态差分可以表述为：

        其中Pi,j为原始视频像素值，Refi,j为参考帧，Subi,j 为差分结果，t为差分阈值。

•   Code Book方法

        算法为图像中每一个像素点建立一个码本，每个码本可以包括多个码元（对应阈值范围），在学习阶段，对当前像素点进行匹配，如果该像素值在某个码元的学习阈值内，也就是说与之前出现过的某种历史情况偏离不大，则认为该像素点符合背景特征，需要更新对应点的学习阈值和检测阈值。

        如果新来的像素值与每个码元都不匹配，则可能是由于动态背景导致，这种情况下，我们需要为其建立一个新的码元。每个像素点通过对应多个码元，来适应复杂的动态