该方法可以用来做运动检测，用法：
Ptr<BackgroundSubtractorMOG2> mog = createBackgroundSubtractorMOG2(100,25,false);
-
history：用于训练背景的帧数，默认帧数为500帧，如果不动手设置learingRate,history就被用于计算当前的learningRate, 此时history越大，learningRate越小，背景更新越慢；
-
varThreshold:方差阈值，用于判断当前像素是前景还是背景。一般默认为16，如果光照变化明显，如阳光下的水面，建议设为25，值越大灵敏度越低。
-
detectShadows：是否检测影子，设为true为检测，false为不检测，检测影子会增加程序时间复杂度，一般设置为false；
eg：mog->apply(src_YCrCb, foreGround, 0.005);
-
image 源图
-
fmask 前景（二值图像）
-
learningRate 学习速率，值为0-1,为0时背景不更新，为1时逐帧更新，默认为-1，即算法自动更新；
该方法可以用来做运动检测，用法：Ptr<BackgroundSubtractorMOG2> mog = createBackgroundSubtractorMOG2(100,25,false);history：用于训练背景的帧数，默认帧数为500帧，如果不动手设置learingRate,history就被用于计算当前的learningRate, 此时history越大，learningRate越小，背景更新越慢； varThreshold:方差阈值，用于判断当前像素是前景还是背景。一般
在我们使用Opencv进行视频处理跟踪对象时，我们通常可以借助视频原先的
背景
与当前的获取帧进行比较，通过一定的比较方法和API，我们可以有效地区分开视频中的
背景
和前景。这种方法我们称为
背景
减除(Background Subtraction)。
我们在比较
背景
和当前帧时，通常采用两种算法：图像分割（GMM-高斯混合模型）和机器学习（KNN-K邻值算法）
高斯混合模型分离算法：
将图像分为3-5个高斯...
cv::BackgroundSubtractorMOG2和cv::bgsegm::BackgroundSubtractorMOG一样，都是基于高斯混合模型的
背景
与前景分割算法。
cv::BackgroundSubtractorMOG2是对cv::bgsegm::BackgroundSubtractorMOG的改进，经过改进，它实现了自适应高斯混合模型参数的更新，增强了复杂场景
背景
检测的性能。
具体的算法原理可以参见下面两篇论文：
Zoran Zivkovic and Ferdinand van d
