PbModel是基于概率模型的背景差分算法，其基本思想是像素点会因光照变化、运动物体经过产生多种颜色值，但是一段时间内，像素点处于静止状态的时间会比处于运动状态的时间长。因而一段时间内，像素点某个颜色值出现的概率会高于其他颜色值，高概率的颜色值即为该像素点的背景值。
创新点
1.关注基于概率的背景模型的内存占用率和计算复杂度
基于概率的背景模型是常用的背景建模方法，但是现有一些算法，其内存占用率高，计算复杂度大。
该算法利用聚类减少内存占用率，将像素点可能出现的颜色值，按距离聚类，以聚类中心代替颜色值，从而减少内存占用率。
利用不固定长度的帧序列建立背景模型，由于许多像素点一般都处于静止状态，只需要少量的帧序列就可以确定高概率的颜色值（即背景值），选取一个计算初始帧序列长度，从而确定大部分的背景值，然后针对少量的背景值，继续统计，并减小判断是否为高概率的阈值，保证算法的收敛，最终建立起完整的背景模型。
2.关注于前景检测的判定阈值
分析背景差分图像的直方图信息，利用直方图的变化曲线来确定判定阈值，采用直方图变化曲线的波谷位置作为判定阈值。
基本框架图
主要步骤：
1.建立背景模型
1).初始化像素的聚类集合，C表示聚类里包含像素的数目，nxy表示聚类标号，x、y表示像素点位置。
2).计算当前像素与像素聚类集合的距离，并计算最小距离和对应的聚类。
3).判断最小距离是否小于阈值，若小于，则更新对应聚类，否则，新建一个聚类，添加到聚类集合中。
4).判断是否到初始帧序号Fn，若达到，则计算像素各个聚类的概率，并求最大概率的聚类，否则，继续跳转步骤2)处理下一帧。
5).判断最大概率是否大于阈值，若大于，则设置对应聚类的中心为该像素点的背景值。
6).调整背景建模速度，根据帧序号调整阈值大小，帧序号越大，阈值越小。
7).跳转步骤2)处理下一帧，直到所有像素点的背景值确定。
2.前景检测过程
1).计算当前帧序与背景的差分图像。
2).计算差分图像的直方图信息。
3).平滑各个通道的直方图信息。
4).计算各个通道的阈值大小。
5).计算差值图像的阈值。
6).利用阈值判定像是否为前景。
3.背景模型更新
背景模型更新采用简单的图像混合算法，利用新像素值和背景模型的像素值的加权和，替换背景模型的像素值。
其中，(Rs,Gs,Bs)为当前像素值，(RB,GB,BB)为背像像素值，n为背景模型更新学习因子控制参数。
参考资料：
A Robust Object Segmentation System Using a Probability-Based Background Extraction Algorithm