背景相減法進行建模時涉及到了背景模型的建立問題，許多**以及在opencv裡都提供了基於高斯混合模型進行背景更新的方法，無奈涉及到了太多的概率論的東西，大四小白完全看不懂，只能大概理解，下面是找到的幾篇挺有幫助的部落格。
高斯混合模型（gmm）及其em演算法的理解
深度理解高斯混合模型（gmm）
這篇部落格裡最後給的公尺飯的例子十分生動，雖然公式什麼的完全看不懂，但是通過這個例子會有乙個很直觀的感受，感嘆這些大神們不僅專業知識挺紮實，還能講的這麼淺顯生動。
一文詳解高斯混合模型原理
4.11加
看到兩篇講利用高斯混合模型進行前景檢測的文章，博主很細心還有原版**的翻譯版，對理解很有幫助。
opencv中的gmm（混合高斯分布）演算法原理及c++實現（backgroundsubtractormog）
adaptive background mixture models for real-time tracking
混合高斯模型演算法原理
高斯混合模型 感性理解
1 k means的缺點在於，它是乙個hard聚類的方法，比如有乙個點任何乙個聚類中心都不屬於，但是演算法仍然可能會把它強行劃分到乙個聚類中心去。對於乙個點，它屬不屬於某個聚類中心的可能性是個屬於 0,1 的整數值。2 而高斯混合模型 gaussian mixture model 就是一種soft聚...
高斯混合模型
本文就高斯混合模型 gmm,gaussian mixture model 引數如何確立這個問題，詳細講解期望最大化 em,expectation maximization 演算法的實施過程。多維變數x服從高斯分布時，它的概率密度函式pdf為 x是維度為d的列向量，u是模型期望，是模型方差。在實際應用...
高斯混合模型
高斯混合模型 本文就高斯混合模型 gmm,gaussian mixture model 引數如何確立這個問題，詳細講解期望最大化 em,expectation maximization 演算法的實施過程。多維變數x服從高斯分布時，它的概率密度函式pdf為 x是維度為d的列向量，u是模型期望，是模型方...