cv::bgsegm::BackgroundSubtractorMOG是基于高斯混合模型的背景与前景分割算法。
具体的算法原理可以参考下面这篇论文：
Pakorn KaewTraKulPong and Richard Bowden. An improved adaptive background mixture model for real-time tracking with shadow detection. In Video-Based Surveillance Systems, pages 135–144. Springer, 2002.
下面这篇博文是对上面这篇论文的理解：
https://blog.csdn.net/zinnc/article/details/52090501
MOG名称的来历：Mixture of Gaussian，它又称为GMM(Gaussian Mixed Model)，百度百科对其有详细解释，链接 https://baike.baidu.com/item/GMM/4258031?fr=aladdin
GMM，高斯混合模型，也可以简写为MOG。高斯模型就是用高斯概率密度函数（正态分布曲线）精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数（正态分布曲线）形成的模型。
GMMs已经在数值逼近、语音识别、图像分类、图像去噪、图像重构、故障诊断、视频分析、邮件过滤、密度估计、目标识别与跟踪等领域取得了良好的效果 。
混合高斯模型使用K（基本为3到5个）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。 通观整个高斯模型，主要是有方差和均值两个参数决定，对均值和方差的学习，采取不同的学习机制，将直接影响到模型的稳定性、精确性和收敛性 。
由于我们是对运动目标的背景提取建模，因此需要对高斯模型中方差和均值两个参数实时更新。为提高模型的学习能力，改进方法对均值和方差的更新采用不同的学习率；为提高在繁忙的场景下，大而慢的运动目标的检测效果，引入权值均值的概念，建立背景图像并实时更新，然后结合权值、权值均值和背景图像对像素点进行前景和背景的分类。
高斯分布的形状同绝大多数数据的分布形状相似，能够很好地刻画参数空间中数据的空间分布及其特性，而且高斯密度函数具有易于进行参数估计等优点，因此高斯混合模型广泛应用于模式识别和数据分析等领域 [2] 。
下面介绍其成员函数。
继承于基类cv::BackgroundSubtractor的成员函数apply()和getBackgroundImage()的详细介绍见博文：https://blog.csdn.net/wenhao_ir/article/details/125007017
其特有的成员函数如下：
virtual double cv::bgsegm::BackgroundSubtractorMOG::getBackgroundRatio( ) const
成员函数getBackgroundRatio()用于返回算法的“背景比率”参数，它对应于论文中的TB参数。如果前景像素在大约【backgroundRatio×历史帧(即参数nframes)】中保持半常量值，则将其视为背景并作为新组件的中心添加到背景模型中。提问：什么叫半常量值(semi-constant value),这个博主也不太清楚，这个算法的论文中应该有相关介绍，感兴趣的同学可以去看一看。
virtual int cv::bgsegm::BackgroundSubtractorMOG::getHistory() const
成员函数getHistory()用于返回影响背景模型的历史帧数。
virtual int cv::bgsegm::BackgroundSubtractorMOG::getNMixtures( ) const
成员函数getNMixtures()用于返回高斯混合模型中高斯分量的个数。
virtual double cv::bgsegm::BackgroundSubtractorMOG::getNoiseSigma( ) const
成员函数getNoiseSigma()用于返回每个高斯分量的初始方差。
virtual void cv::bgsegm::BackgroundSubtractorMOG::setBackgroundRatio(double backgroundRatio)
成员函数setBackgroundRatio用于设置算法的“背景比率”参数，这个参数的意义在上面已经介绍了。
virtual void cv::bgsegm::BackgroundSubtractorMOG::setHistory(int nframes)
成员函数setHistory()用于设置影响背景模型的历史帧数。
virtual void cv::bgsegm::BackgroundSubtractorMOG::setNMixtures(int nmix)
成员函数setNMixtures()用于设置高斯混合模型中高斯分量的个数。
virtual void cv::bgsegm::BackgroundSubtractorMOG::setNoiseSigma (double noiseSigma)
成员函数setNoiseSigma()用于设置每个高斯分量的初始方差。
下面上示例代码：
上示例代码被迫中止，原因是OpenCV3的开发文档中虽然还有这个类，但是在OpneCV3官方发布的编译好的配置环境下却不能使用了，截图如下：
我们换成BackgroundSubtractorMOG2，就有定义，截图如下：
可能的解决方法是自己Cmake OpenCV3的源码，并且在编译时把模块bgsegm加入。这里博主就不去尝试了，如果要使用这个算法进行背景建模/前景提取，用BackgroundSubtractorMOG2替代就行了。
博主就给大家使用这个类的Python示例代码给大家吧！
在上示例代码前，还需要介绍下函数createBackgroundSubtractorMOG()，
函数createBackgroundSubtractorMOG()用于构建类createBackgroundSubtractorMOG的实例化对象，并返回对象指针。
函数createBackgroundSubtractorMOG()的原型如下：
C++原型：
Ptr<BackgroundSubtractorMOG> cv::bgsegm::createBackgroundSubtractorMOG
(int history = 200,
int nmixtures = 5,
double backgroundRatio = 0.7,
double noiseSigma = 0 )
Python原型如下：
retval = cv.bgsegm.createBackgroundSubtractorMOG([, history[, nmixtures[, backgroundRatio[, noiseSigma]]]])
参数意义如下：
history—影响背景模型的历史帧数。
nmixtures—高斯混合模型中高斯分量的个数。
backgroundRatio—上面介绍过了，这里就不再介绍了。
noiseSigma—每个高斯分量的初始方差。
Python示例代码如下：
# 博主微信/QQ 2487872782
# 有问题可以联系博主交流
# 有图像处理需求也可联系博主
# 图像处理技术交流QQ群 271891601
# !/usr/bin/env python
# -*- coding: utf-8 -*-
# OpenCV的版本为4.1
import cv2 as cv
# 构造VideoCapture对象
cap = cv.VideoCapture('F:/material/videos/car1.avi')
# 创建一个背景分割器
pBackgroundMOG = cv.bgsegm.createBackgroundSubtractorMOG()
while True:
ret, frame = cap.read() # 读取视频
# 当所有帧读取完毕后退出循环
if ret is False:
print('视频读取失败或者视频已读取完毕')
break
else:
frame = cv.resize(frame, (0, 0), fx=0.3, fy=0.3)
FGMask = pBackgroundMOG.apply(frame) # 背景分割，并得到前景图像
current_frame = int(cap.get(cv.CAP_PROP_POS_FRAMES))
cv.putText(frame, "Current frame:" + str(current_frame), (20, 40), cv.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255))
cv.imshow('frame', frame) # 显示原始帧
cv.imshow('FGMask', FGMask) # 显示得到的前景图像
if cv.waitKey(10) & 0xff == 27: # 按ESC键退出
break
cap.release()
cv.destroyAllWindows()
代码中用到的视频下载链接：https://pan.baidu.com/s/1X08cwwSE4DUvzT0XvHvpvw?pwd=9yyq
运行结果如下：
为了方便大家观察这种算法的效果，博主录了个视频供大家查看，视频在线观看和下载链接如下：
https://pan.baidu.com/s/1LBcadRG2gDX9yGR-xS9jQQ?pwd=9ued
补充说明一点：这个类没有阴影检测的功能，所以不能去除汽车的影子。
延伸阅读：
OpenCV3.0中有哪些视频背景/前景分割(背景建模/前景提取)算法的类,它们各自的算法原理、特点是什么,并附示例代码
OpenCV4中有哪些视频背景/前景分割(背景建模/前景提取)算法的类,它们各自的算法原理、特点是什么,并附示例代码
