目前，基於二值化圖像提取運動目標仍具有廣泛的應用。但是，在提取運動目標之前必須進行背景建模。
背景建模的方法很多，如平均法，最大值最小值統計法，單高斯建模法，加權平均法等，而混合高斯背景建模應該來說是比較成功的一種。
為什么這么說呢？ 機器視覺算法提取運動目標面臨的基本問題：圖像抖動，噪聲干擾，光線變化，雲飄動，陰影（包括目標陰影和區域外物體陰影），區域內部反光（如水面，顯示器），運動目標緩慢移動等。那我們來看看，混合高斯背景建模是怎么解決這些問題的？從混合高斯模型的原理一看便知。
混合高斯模型的原理
圖像中每個像素點的值（或特征）短時間內都是圍繞與某一中心值一定距離內分布，通常，中心值可以用均值來代替，距離呢可以用方差來代替。這種分布呢是有規律的，根據統計定律，如果數據點足夠多的話，是可以說這些點呈正態分布，也稱為高斯分布（取名高斯，大概是因為很多地方都用這個名字吧）。根據這個特點，如果像素點的值偏離中心值較遠，那么，這個像素值屬於前景，如果像素點的值偏離中心值很近（在一定方差范圍內），那么可以說這個點屬於背景。理論上，如果不存在任何干擾的話，是可以准確區分前景和背景的。但是，現實往往不盡如人意，如果畫面中光線變化的話，這個高斯分布的中心位置是會改變的。如果光線強度改變的話，在原來那個位置並沒有無數個點供統計，因此，不符合大數定理，也就不能說那個點的分布滿足正態分布了，只能說是近似為高斯分布。
混合高斯模型指這個像素點值存在多個中心位置，如來回擺動的樹葉，波光粼粼的水面，閃爍的顯示器，圖像中特征邊緣位置的抖動等，這些都會引起某個像素點會在多個中心位置聚集大量的點，每個位置便會產生一個高斯分布，四個以上的高斯分布其實並不常見，這便是混合高斯模型的由來。混合高斯背景建模主要用來解決背景像素點具有多峰特性的場合，如在智能交通場景中，解決視頻畫面抖動帶來的干擾。
針對光線變化的問題，混合高斯模型通過比較當前像素點的值與高斯分布中心位置，選擇一定的加權系數對當前高斯分布的中心位置進行更新，以便於適應緩慢的光線變化。言外之意，高斯分布並不能解決光線的突變問題，如雲飄動，陰影。個人認為，陰影或雲飄動並不屬於背景建模的內容。
此外，混合高斯模型尤其適合於檢測緩慢移動的物體，因為背景已是一個高斯分布，如果車停下來，等到聚集一定的前景數據便會形成一個新的高斯分布，停下來的車也會便是背景。但是如果車緩慢行駛的話，是很難在短時間內形成一個新的高斯分布，也就是應用混合高斯分布很容易檢測緩慢行駛的車輛。
混合高斯背景建模的優點
圖像畫面中，其實每個像素（也可以說是局部單元），其運動變化特性是不一樣的，這才是混合高斯模型具有優勢的主要原因。普通的二值化目標分割，整個畫面采用同一閾值，無論這個閾值是固定的，還是自適應的，都存在本質性的缺陷，屬於有缺陷的分割，這種算法帶有不穩定性，無論怎么調整分割參數，也解決不了根本性的問題。因為，畫面中每個部分，其實分割閾值是不一樣的。一定得建立統計學的方法，進行局部分割，而混合高斯模型正是采用局部分割的一種算法。
混合高斯背景建模方法評價
從理論上來說，混合高斯背景建模真是一種較為完美的背景分割方法。但是由於像素值在光線干擾下在中心位置停留時間較短，圍繞這一中心位置波動的數據准確地來說並不屬於高斯分布，因此也就無法准確地確定這些數據的中心值及方差，造成實際分割的效果並不完美。
以上闡述屬於個人看法，僅作參考，希望今后能對分割問題理解更深刻，歡迎與大家交流，共同學習！