背景相減

背景相減利用一個簡單的設置——固定相機注視一個大致靜止的場景——來幾乎免費地找出移動物體：建立一個「空背景長什麼樣」的模型，再把當前任何偏離它的像素標記為前景。直覺就像一台架在安靜街道上的監視器：任何忽然與學到的「正常」視圖不同之物（一輛駛過的車、一個行走的人），都會在不變的背景襯托下作為「運動」而突顯出來。

核心工程在於「如何為每個像素建模背景並保持更新」。最簡單的是對近期影格取移動平均或中位數，並對差值設一個固定門檻。經典的穩健做法是高斯混合（Mixture of Gaussians, MOG／MOG2，Stauffer-Grimson）：每個像素的顏色被建模成數個高斯成分，於是一個像素可以有不只一種合法的背景外觀，這對「多峰背景」（如搖曳的樹、起漣漪的水、閃爍的螢幕）至關重要。其他強力方法包括 KNN 模型與以樣本為基礎的 ViBe，近期研究則使用學習式網路。關鍵在於，這些方法全都透過一個學習率隨時間自適應，慢慢把持續性的變化（漸變的光照、一輛停著不走的車）併入背景，使模型不致過時。

原始前景遮罩接著以形態學運算（去除雜點、填補破洞）與連通元件分析清理，以擷取物體斑塊。眾所周知的失效模式界定了這個領域的難度：投射陰影較暗卻會移動，因此若不加入去陰影步驟便會被錯標為前景；突發的光照變化（一片雲、開燈）會把大片區域翻成前景；當一個長期靜止的物體終於移動時會出現「鬼影」（ghost）；偽裝（前景物體與背景同色）會被漏掉；而任何相機晃動都違反靜止相機前提，需先做配準（registration）。儘管如此，由於它便宜又即時，它仍是監視、交通監測與人流計數的主力。