标准方法是使用混合高斯模型来模拟控制像素强度的各种定律。在这种方法中，可以为一个像素分配多个正态定律（具有不同的均值和方差），每个正态定律将在不同条件下对其值进行建模。当然，一次只需要激活 1 个 Gaussian。

虽然混合中的最大高斯数是一个（固定的）参数，但每个高斯的参数都是在线学习的。您可以在OpenCV库中找到示例实现。

几年前，有人（对不起，我找不到名字了）提出了一种有趣的替代方法：使用图像梯度方向的变化而不是光强度的变化。梯度方向具有对比度不变的优点，使其对光照变化更加鲁棒。直观地说，它之所以有效，是因为渐变方向与图像中的形状相关，而不是与它们的颜色或亮度相关。

在任何情况下，这都不是一种“被广泛引用”的方法或最先进的背景减法。但是，您的第二句话说您正在尝试不同的方法，所以我认为我要说的仍然有一些价值。

一般方法：

我提出的是一种对比度不变的图像表示，称为形状树或水平线树（不幸的是，它们还没有确定一个普遍接受的名称）。

该提议的应用程序的总体思想是建立几个图像的对比度不变表示$I_x$和$I_y$，然后寻找差异。优点是你可以得到，作为输出，存在于$I_y$但不在$I_x$（反之亦然）与大多数简单的图像比较相反，结果是所有的差异，即所有存在于其中一个图像而不是另一个图像中的东西。

与安全摄像头一起使用的可能方式：

如果您的应用程序是安全摄像头，那么我想您可以在良好的条件下（均匀照明、低遮挡）获得一些真实图像。然后，您可以从地面实况图像构建形状树，然后使用它来检测当前图像中存在的新对象。树应该是相似的，因为它们不是基于像素的全局灰度级，而是基于“局部对比度”：驱动树构建过程的主要问题是它比周围环境更亮/更暗，而不是多亮/暗是吗。

文学：

与您的特定应用相关的是本文的最后几页：

• P. Monasse, F. Guichard：对比度不变图像表示的快速计算 (2000)

  （相关论文及应用实例）

您可以在我的答案中找到一些相关的参考资料，但在我看来，我为该答案所做的简短概述还远未完成。

该特定论文的作者还在 LNM 系列中出版了一本关于该特定树的小册子：

• V. Caselles, P. Monasse：作为地形图的图像的几何描述（2010 年）

  （包含大量细节的小册子）

最后，直到几天前，这些方法还只是理论而不是实际，因为最坏情况下的构建时间是图像像素数量的二次方。就在昨天，提出了一种准线性算法，最终使形状树可用于各种应用：

• T. Géraud、E. Carlinet、S. Crozet、L. Najman：计算 nD 图像形状树的准线性算法

  （快速实施）