目前，基于二值化图像提取运动目标仍具有广泛的应用。但是，在提取运动目标之前必须进行背景建模。
背景建模的方法很多，如平均法，最大值最小值统计法，单高斯建模法，加权平均法等，而混合高斯背景建模应该来说是比较成功的一种。
为什么这么说呢？ 机器视觉算法提取运动目标面临的基本问题：图像抖动，噪声干扰，光线变化，云飘动，阴影（包括目标阴影和区域外物体阴影），区域内部反光（如水面，显示器），运动目标缓慢移动等。那我们来看看，混合高斯背景建模是怎么解决这些问题的？从混合高斯模型的原理一看便知。
混合高斯模型的原理
图像中每个像素点的值（或特征）短时间内都是围绕与某一中心值一定距离内分布，通常，中心值可以用均值来代替，距离呢可以用方差来代替。这种分布呢是有规律的，根据统计定律，如果数据点足够多的话，是可以说这些点呈正态分布，也称为高斯分布（取名高斯，大概是因为很多地方都用这个名字吧）。根据这个特点，如果像素点的值偏离中心值较远，那么，这个像素值属于前景，如果像素点的值偏离中心值很近（在一定方差范围内），那么可以说这个点属于背景。理论上，如果不存在任何干扰的话，是可以准确区分前景和背景的。但是，现实往往不尽如人意，如果画面中光线变化的话，这个高斯分布的中心位置是会改变的。如果光线强度改变的话，在原来那个位置并没有无数个点供统计，因此，不符合大数定理，也就不能说那个点的分布满足正态分布了，只能说是近似为高斯分布。
混合高斯模型指这个像素点值存在多个中心位置，如来回摆动的树叶，波光粼粼的水面，闪烁的显示器，图像中特征边缘位置的抖动等，这些都会引起某个像素点会在多个中心位置聚集大量的点，每个位置便会产生一个高斯分布，四个以上的高斯分布其实并不常见，这便是混合高斯模型的由来。混合高斯背景建模主要用来解决背景像素点具有多峰特性的场合，如在智能交通场景中，解决视频画面抖动带来的干扰。
针对光线变化的问题，混合高斯模型通过比较当前像素点的值与高斯分布中心位置，选择一定的加权系数对当前高斯分布的中心位置进行更新，以便于适应缓慢的光线变化。言外之意，高斯分布并不能解决光线的突变问题，如云飘动，阴影。个人认为，阴影或云飘动并不属于背景建模的内容。
此外，混合高斯模型尤其适合于检测缓慢移动的物体，因为背景已是一个高斯分布，如果车停下来，等到聚集一定的前景数据便会形成一个新的高斯分布，停下来的车也会便是背景。但是如果车缓慢行驶的话，是很难在短时间内形成一个新的高斯分布，也就是应用混合高斯分布很容易检测缓慢行驶的车辆。
混合高斯背景建模的优点
图像画面中，其实每个像素（也可以说是局部单元），其运动变化特性是不一样的，这才是混合高斯模型具有优势的主要原因。普通的二值化目标分割，整个画面采用同一阈值，无论这个阈值是固定的，还是自适应的，都存在本质性的缺陷，属于有缺陷的分割，这种算法带有不稳定性，无论怎么调整分割参数，也解决不了根本性的问题。因为，画面中每个部分，其实分割阈值是不一样的。一定得建立统计学的方法，进行局部分割，而混合高斯模型正是采用局部分割的一种算法。
混合高斯背景建模方法评价
从理论上来说，混合高斯背景建模真是一种较为完美的背景分割方法。但是由于像素值在光线干扰下在中心位置停留时间较短，围绕这一中心位置波动的数据准确地来说并不属于高斯分布，因此也就无法准确地确定这些数据的中心值及方差，造成实际分割的效果并不完美。
以上阐述属于个人看法，仅作参考，希望今后能对分割问题理解更深刻，欢迎与大家交流，共同学习！