参考文献 Adaptive Background Mixture Models for Real-Time Tracking CVPR 1999
假设前提像素点在时间轴上呈现高斯模型的概率模型
混合高斯模型使用3~5个高斯模型来表征图像中各个像素点的特征，在新一帧图像获得后更新混合高斯模型．
用当前图像中的每个像素点与混合高斯模型匹配，如果成功则判定该点为背景点，否则为前景点．
混合高斯模型根据不同的匹配情况，选择相应的更新策略．主要有两个学习因子，用于均值和方差更新学习．
改进方法：
1)采取不同的学习机制，更新方差和均值；
2)根据背景的复杂情况自适应调整K的大小，从而减少计算的复杂度;
3)选择其他特征建立混合高斯模型，像纹理特征，纹理和颜色特征的结保等．
主要优点：可以适应光照渐变对背景的影响
主要缺点：计算复杂度高，其次对于树叶，摄像头抖动带来的误检无法避免，当前景与背景颜色相似时，会将前景错误的处理为背景
更新公式如下：
具体代码实现，可参考Opencv里的实现，bgfg_gaussmix.cpp
——