虽然是背景，但是灰度并不是一直保持不变的，灰度是在一个范围内变化的。一个背景像素随着时间变化呈现一定的随机性，但是一段时间内，如果做一个统计的话，其分布在某一个均值，一个方差范围内，绝大多数像素应该落在3σ范围内。图像中每一个像素灰度值随着时间变化的规律符合ggdsp分布。在实际中，我们发现灰度值的变化往往不能用一个ggdsp模型刻画，哪能不能用多个ggdsp模型去刻画呢？这是可以的，任何一种分布函数都可以看作是多个ggdsp分布的线性加权组合。
如何检测当前图像中某像素属于前景？
I(x,y,t)-μ>3σ
*I(x,y,t)*当前帧像素值，若满足条件则为前景，反之为背景，
那么，为什么GMM的各个ggdsp分量的系数之和必须为1呢？
其实答案很简单，我们所谓的GMM的定义本质上是一个概率密度函数。而概率密度函数在其作用域内的积分之和必然为1。GMM整体的概率密度函数是由若干个ggdsp分量的概率密度函数线性叠加而成的，而每一个ggdsp分量的概率密度函数的积分必然也是1，所以，要想GMM整体的概率密度积分为1，就必须对每一个ggdsp分量赋予一个其值不大于1的权重，并且权重之和为1。
像素灰度的概率密度函数：
p是概率，多个ggdsp分量的加权组合
I是亮度/灰度值
w是权值
N代表的是对应的ggdsp分布
下标q代表的是第q个ggdsp分布函数
μ:均值
σ:方差
概率密度函数可以表达为条件概率的形式：
P(wq)表示的是第q个ggdsp分布，对应的权值；
条件概率：表示的是当前的ggdsp分布里，它对应的是多少
理解：当前像素值落在混合ggdsp模型里的概率，然后用全概率公式展开，计算当前像素值在每一个ggdsp分量上的概率然后累加起来
任务：在线计算wq, μq, σq
当三个值计算出来，我们就可以判断当前的像素值是不是落在混合ggdsp模型了里，从而判断当前的像素是背景还是运动的物体。
混合ggdsp背景建模步骤:
模型初始化，将采到的第一帧图像的每个像素的灰度值作为均值，再赋以较大的方差(比如10)，初值Q=1，w=1；假如图像为30*30，则需要建立900个混合ggdsp模型模型学习 将当前帧的对应点像素的灰度值与已有的Q个ggdsp模型作比较，若满足|xk-u(q,k) |<2.5σ(q,k),则按下面迭代计算方式调整第q个ggdsp模型的参数和权重；否则转入（3）增加/替换ggdsp分量，若不满足条件，且q<Q，则增加一个新分量；若q=Q，则替换（假设满足q=Q,需要把权值最小的那一个删掉，重新加一个）判断背景这个公式什么意思呢？比如有5个ggdsp分量，权重分别为0.4, 0.3，0.18 ，0.06, 0.06，排序，T取0.6~0.9之间的数，这里T取0.6,所以权值为0.4和0.3对应的是背景，后面三个是由于噪声或是其他干扰因素造成的。如果说当前像素是落在权值为0.4和0.3ggdsp分布，则为背景
判断前景注释：Q是ggdsp模型所有分量的个数；w是权值
混合ggdsp模型迭代计算原理迭代计算：
α和ρ对应的是学习速率
α越大，表示学习当前的东西越快，对以前的东西遗忘的越快，
理解：当下一帧的图像过来，对应的像素值去跟已有的所有ggdsp分量去比较，仅当像素值匹配第q类时二值化函数的值为1，反之为0，所有ggdsp分量的权值同时更新，其他两个参数同理