1、基本原理
首先，用事先存储或者实时得到背景图像序列为每个像素进行统计建模，得到背景模型B（x,y）；其次，将当前每一帧图像.fk（x,y）和背景模型B（x,y）相减，计算出在一定阈值 限制下当前图像中出现的偏离背景模型值较大的那些像素，即公式（3-2），则判定此像素为出现在运动目标上。相减的阈值操作后得到的结果直接给出了目标的位置、大小、形状等，从而得到较完整的目标信息；此外，模型还要进行周期性的背景更新以适应动态场景变化。
同相邻帧差法一样，背景减法选取的阈值 在这里起着非常重要的作用，决定了运动检测的灵敏度。
背景减法中，背景模型提取的准确与否，直接关系到最终检测结果的准确性。最简单的背景获取方法是当场景中无任何目标时采集一幅图像作为背景图像。但这种固定背景检测图像的方法，只适合应用于外界条件较好的场合。因此，目前大多数研究人员已经放弃了这种非自适应的获取背景方法。下面介绍一种估计背景图像的方法：统计平均法。
当被监控场景环境不是很复杂时，我们可通过统计滤波[14,15]完成场景中背景图像的估计。一种常用的自适应背景修正方法是对背景图像进行多幅平均，见公式（3-3）。 由公式可知，利用统计 平均方法对背景图像进行修正，其中最为关键的参数就是 。若背景中目标并不频繁出现，显然适当的选择参数 可以获得一个较为真实的背景图像的估计图像。
这些方法都要求在背景模型构造阶段的时候没有运动目标出现，因此在某些应用场合无法满足这种要求。
