基于帧差法

通过找出构造的背景模型中每帧差异进行跟踪。背景模型中图像区域的任何显著变化都可能是运动物体。为进一步处理， 对区域中正在变化的像素点做标记， 用相关联算法来获得与目标相一致的关联区域，这个过程为背景减法。Wren用 3D（YUV 空间）高斯算法对静态背景中各像素点颜色建模。标记背景模型中偏离的像素点为显 著像素点。但单高斯分布不适合用于户外场景，因为在某一坐标点上由于重复的物体运动、阴影或反射可能会观察到多重颜色。通过使用多统计模型来描述每个像素的背景颜色使背景模型获得很大改善

Elgammal

Elgammal使用无参数内核密度估计来对各像素背景建模。减法过程中当前像素点不仅与背景模型中相应像素点匹配， 还和邻近像素坐标位置相匹配，可以处理背景中的照相机抖动或微小运动。Rittscher用隐式马尔科夫模型( HMM) 按照像素属于背景、前景或阴影进行图像分块。Stenger使用 HMMs 对光源时亮时暗的事物进行背景相减。HMMs 优势是用训练样本获得某些用无监督背景建模方法很难精确建模的事物。Oliver不是根据单个像素的差值建模， 而提出使用特征空间分解的一种整体方法。背景由特征矢量描述，实现视角( FOV) 中所有可能的光照。因此，该方法对光照更不敏感。通过当前图像到特征空间并发现重建图像和实际图像的不同来检测前景目标。 Monnet和 Zhong提出的方法可处理随时间变化的背景， 其图像区域采用自回归运动平均( ARMA) 进行建模， 可以预测场景中的运动模式 [1]