一、基本原理
核心思想：建立背景模型，当前帧减去背景，剩下的就是运动目标。帧差法是"两帧相减"，背景差减法则是"当前帧减去背景模型"。它的本质是：先给场景拍一张"空背景照片"，然后用当前帧减去这张照片，差值大的区域就是运动目标。
二、关键步骤
背景差减法的过程与帧差法相似。最大的区别在于背景差减法第一步是MOG2前景检测，该方法用当前帧更新背景模型，计算当前帧每个像素与背景模型的差异，最后返回前景掩码，差异大的为白色（前景），差异小的为黑色（背景）。接下来就是二值化、形态学处理、ROI裁剪、找轮廓等。
三、关键代码实现
1.类结构与初始化
class BackgroundSubtractionTracker(BaseTracker): def __init__(self): super().__init__("bg_subtract") # 创建 MOG2 背景减除器 self.bg = cv2.createBackgroundSubtractorMOG2( history=200, # 历史帧数：用过去200帧建模背景 varThreshold=30, # 方差阈值：像素与模型的差异超过30才视为前景 detectShadows=False # 不检测阴影（提高速度，但可能把阴影误认为目标） ) self.init_bbox = None self.prev_bbox = None self.target_area = 0 self.target_aspect = 1.0 self.lost_count = 0history：保留过去 200 帧用于建模背景。值越大，背景更新越慢，对光照变化越不敏感。
varThreshold：像素值与模型均值的差超过 30 才认为是前景。值越小，越敏感（更多前景像素）。
detectShadows：不检测阴影，提高速度，但阴影可能被误认为前景目标。
2.初始化方法
def init(self, frame, bbox): self.init_bbox = bbox # 保存初始框 self.prev_bbox = bbox # 上一帧的框（用于搜索区域约束） self.target_area = bbox[2] * bbox[3] # 目标面积 self.target_aspect = bbox[2] / (bbox[3] + 1e-6) # 目标宽高比 self.trajectory = [bbox] # ★ 关键：连续输入10帧用于建立初始背景模型 for _ in range(10): self.bg.apply(frame)初始化时连续输入 10 帧相同图像是一个"预热"过程。MOG2 的背景模型刚开始是空的，需要观察一段时间才能建立稳定的背景模型。但这里只有一帧图像，所以把同一帧反复输入 10 次。但是存在局限性，第一帧中目标本身也在画面中，所以MOG2会把目标也作为背景部分来建模，对后续产生影响。
3.更新方法
def update(self, frame): # 步骤1：获取前景掩码 fg = self.bg.apply(frame) # ← MOG2 核心：当前帧 - 背景模型 = 前景 # 步骤2：二值化（MOG2输出是0~255，阈值为127将其转为纯黑白） _, fg = cv2.threshold(fg, 127, 255, cv2.THRESH_BINARY) # 步骤3：形态学处理（核大小为5×5，比帧差法的3×3更大） kernel = np.ones((5, 5), np.uint8) fg = cv2.morphologyEx(fg, cv2.MORPH_OPEN, kernel) # 开运算：去噪点 fg = cv2.morphologyEx(fg, cv2.MORPH_CLOSE, kernel) # 闭运算：填空洞 # 步骤4：ROI区域裁剪（以上一帧目标框为中心） x, y, w, h = self.prev_bbox margin = int(max(w, h) * 1.0) x1 = max(0, x - margin) y1 = max(0, y - margin) x2 = min(frame.shape[1], x + w + margin) y2 = min(frame.shape[0], y + h + margin) roi_fg = np.zeros_like(fg) roi_fg[y1:y2, x1:x2] = fg[y1:y2, x1:x2] # 只保留ROI区域内的前景 # 步骤5：在ROI中找最优候选框 cand = self._best_bbox(roi_fg) # 步骤6：跟丢处理 if cand is None: self.lost_count += 1 cand = self.prev_bbox # 保持上一帧位置 else: self.lost_count = 0 self.prev_bbox = cand self.trajectory.append(self.prev_bbox) return self.prev_bboxMOG2 前景检测、二值化、形态学处理、ROI裁剪。
四、局限性
1.首帧目标会被污染：MOG2会把目标也学进背景中，目标一旦停止，它会将目标也认为是背景而造成误检。
2.对光照变化敏感：MOG2 虽然有一些自适应能力，但对快速的光照变化还是会失效。
3.阴影问题：目标的阴影仍然可能被 MOG2 检测为前景的一部分，导致检测到的目标框比实际目标大。
4.多目标干扰：和帧差法一样，如果 ROI 区域内有多个运动目标，MOG2 会产生多个前景轮廓，评分函数可能选错目标。
5.参数通用性：history=200 和 varThreshold=30 是经验值，在不同的场景中需要调整。
