在 Opencv 上，我读到 BackgroundSubtractorGMG 来自文章“响应式音频艺术装置在可变照明条件下的人类访客视觉跟踪”，A. Godbehere、A. Matsukawa、K. Goldberg，美国控制会议，蒙特利尔，2012 年 6 月.
我阅读了它，然后查看了 OpenCv 的源代码。
我没有找到标题为“III. 多访客跟踪”文章（卡尔曼滤波器）。
此外，在我看来，每个像素都已更新，即使是标记为前景的像素（与文章中所述不同）。
如果是这样，该实现将与 OpenCv 的其他方法一样，但存储过去像素的内存的方式略有不同。
我在某个地方错了吗？
编辑
在我仔细阅读的原始文章中，有一个图表解释了算法的工作原理。（文章很清楚，我的疑惑是关于 OpenCv 的实现）
图 1.
Image & (前一张图+前景像素) => 分割部分 => 多轨部分 => 前景像素
与其他算法相比，原始算法的特点只是嵌入式多跟踪部分。如果你愿意，你可以删除它，但它不再有意义了。无论如何，如果不修改第一部分，就不可能实现该部分（这应该非常困难），因为它们是集成的。
BackgroundSubtractorGMG 不实现跟踪，它只实现前景检测。所以目标跟踪是在前景检测之上的一个单独的操作。您可以使用OpenCV 中的卡尔曼滤波器类自己实现论文的跟踪部分。
编辑前景分割和对象跟踪是本文提出的算法的两个不同步骤，前景分割只是图 1 所示算法图的一部分。来自文章（重点是我的）：
摘要— 对于天窗中庭的响应式音频艺术装置，我们引入了单相机统计分割和跟踪算法。该算法结合了统计背景图像估计、每像素贝叶斯分割以及使用一组卡尔曼滤波器和 Gale-Shapley 匹配的多目标跟踪问题的近似解决方案。
...
三、多位访客追踪
由于缺乏相机校准，我们在图像平面而不是地平面中跟踪前景访客。 一旦前景/背景分割算法返回一组检测到的访客，挑战就是跟踪访客以收集有用的状态信息：他们在图像平面中的位置、速度和大小。
...
给定这个线性模型，并且假设观测值与轨迹正确匹配，卡尔曼滤波器组解决了多目标跟踪问题。
BackgroundSubtractorGMG返回一组检测到的访客的前景/背景分割算法也是如此。它由统计背景图像估计、每像素贝叶斯分割组成。
本文的第三部分侧重于前景物体被分割后的跟踪。它利用一组 Kalman 滤波器和 Gale-Shapley 匹配来近似解决多目标跟踪问题。