经过改进的高斯混合模型，运行效果还是可以的，适用于想深入了解混合高斯模型前景的同学，代码书写比较规范

GMM又叫混合高斯模型，在进行前景检测前，先对背景进行训练，对图像中每个背景采用一个混合高斯模型进行模拟，每个背景的混合高斯的个数可以自适应。然后在测试阶段，对新来的像素进行GMM匹配，如果该像素值能够匹配其中一个高斯，则认为是背景，否则认为是前景。由于整个过程GMM模型在不断更新学习中，所以对动态背景有一定的鲁棒性。最后通过对一个有树枝摇摆的动态背景进行前景检测，取得了较好的效果。

复杂场景下的运动前景提取是计算机视觉研究领域的研究重点。 为解决复杂场景中的前景目标提取问题，提出一种应用于复杂变化场景中的基于混合高斯模型的自适应前景提取方法。该方法可以对视频帧中每个像素的高斯分布数进行动态控制，并且通过在线期望最大化( EM) 算法对高斯分布的各参数进行学习，此外每个像素的权值更新速率可根据策略进行调整。实验结果表明该方法对复杂变化场景具有较好的适应性，可有效、快速地提取前景目标，提取结果具有较好的查准率和查全率。

针对现有视频图像火焰检测算法前景提取不完整、准确率低和误检率高等问题,提出一种基于改进混合高斯模型(GMM)和多特征融合的视频火焰检测算法。首先针对背景建模,提出了自适应高斯分布数和学习率的改进GMM方法,以提高前景提取效果和算法实时性;然后利用火焰颜色特征筛选出疑似火焰区域,再通过融合改进局部二值模式纹理和边缘相似度特征用于火焰检测。基于支持向量机设计火焰融合特征分类器并进行对比实验,在公开数据集上的实验结果表明,所提算法有效提高了背景建模效果,火焰检测准确率可达到92.26%,误检率低至2.