您提到的方法涉及 a）首先注册图像和 b）使用减法运算去除背景（即人体模型）。

首先是（a）（配准）：图像配准涉及计算两个图像中相应像素的位移。真实世界图像的问题在于，世界是 3D 的，并且由于场景中的深度，较近的表面将比场景中较深的表面移动得更多。此外，表面可以自遮挡场景的某些部分。我只是陈述这些，以便您了解所涉及的复杂性。话虽如此，在您上面发布的场景中，您可以使用简单的位移平移模型做得很好。换句话说，您可以假设第二张图像中的所有像素都移动了$(\delta{x}, \delta{y})$从原来的位置。所以如果一个像素位于$(x,y)$在$I_1$, 那么它的位置在$I_2$将会$(x+\delta{x}, y+\delta{y})$. 可以假设这对于每个像素都是正确的（全局平移）。您现在需要估计水平偏移$\delta_x$和垂直移位$\delta_y$. 有很多方法可以解决这个问题。这是注册方法（可能是 TMI） Zitova 和 Flusser的学术参考。您可能希望从尝试 ITK 工具包开始并尝试使用“翻译转换”. 如果您发现在考虑了平移变换之后，图像减法仍然会留下部分人体模型，您可能需要尝试一些更高级的变换。例如，相机可能在您手中略微旋转。因此，除了移位之外，您还可以引入轮换。此外，您可能将一张照片拍摄得更靠近另一张照片，因此可能存在比例差异。这需要使用同样包含在 ITK 中的仿射变换。除非这些“全局”方法假定每个像素都以相同的方式移动，否则您还可以使用局部方法。例如，您可以估计一个$(\delta_x, \delta_y)$对于图像中的每个补丁。您可以将图像划分为$7 \times 7$像素并在另一张图像中搜索最佳对应补丁。这里面的每一个像素$7 \times 7$假设窗口的移动方式与为补丁估计的运动相同。最后的手段，但最通用的是计算图像中每个像素的密集光流。这为您提供了图像中每个像素的偏移。您可以在流行的OpenCV软件中找到光流实现。

最后，关于 (b)（遮挡）：您将不可避免地得到一些没有有效移位的像素，因为它们根本不存在于另一张图像上。或者在第二张图像中发现了一些像素，这些像素在第一张图像中被覆盖。请参阅这些论文以获取遮挡感知光流和带有遮挡检测的 TV-L1 光流的线索