PbModel是基於概率模型的背景差分演算法，其基本思想是畫素點會因光照變化、運動物體經過產生多種顏色值，但是一段時間內，畫素點處於靜止狀態的時間會比處於運動狀態的時間長。因而一段時間內，畫素點某個顏色值出現的概率會高於其他顏色值，高概率的顏色值即為該畫素點的背景值。
創新點
1.關注基於概率的背景模型的記憶體佔用率和計算複雜度
基於概率的背景模型是常用的背景建模方法，但是現有一些演算法，其記憶體佔用率高，計算複雜度大。
該演算法利用聚類減少記憶體佔用率，將畫素點可能出現的顏色值，按距離聚類，以聚類中心代替顏色值，從而減少記憶體佔用率。
利用不固定長度的幀序列建立背景模型，由於許多畫素點一般都處於靜止狀態，只需要少量的幀序列就可以確定高概率的顏色值（即背景值），選取一個計算初始幀序列長度，從而確定大部分的背景值，然後針對少量的背景值，繼續統計，並減小判斷是否為高概率的閾值，保證演算法的收斂，最終建立起完整的背景模型。
2.關注於前景檢測的判定閾值
分析背景差分影象的直方圖資訊，利用直方圖的變化曲線來確定判定閾值，採用直方圖變化曲線的波谷位置作為判定閾值。
基本框架圖
主要步驟：
1.建立背景模型
1).初始化畫素的聚類集合，C表示聚類裡包含畫素的數目，nxy表示聚類標號，x、y表示畫素點位置。
2).計算當前畫素與畫素聚類集合的距離，並計算最小距離和對應的聚類。
3).判斷最小距離是否小於閾值，若小於，則更新對應聚類，否則，新建一個聚類，新增到聚類集合中。
4).判斷是否到初始幀序號Fn，若達到，則計算畫素各個聚類的概率，並求最大概率的聚類，否則，繼續跳轉步驟2)處理下一幀。
5).判斷最大概率是否大於閾值，若大於，則設定對應聚類的中心為該畫素點的背景值。
6).調整背景建模速度，根據幀序號調整閾值大小，幀序號越大，閾值越小。
7).跳轉步驟2)處理下一幀，直到所有畫素點的背景值確定。
2.前景檢測過程
1).計算當前幀序與背景的差分影象。
2).計算差分影象的直方圖資訊。
3).平滑各個通道的直方圖資訊。
4).計算各個通道的閾值大小。
5).計算差值影象的閾值。
6).利用閾值判定像是否為前景。
3.背景模型更新
背景模型更新採用簡單的影象混合演算法，利用新畫素值和背景模型的畫素值的加權和，替換背景模型的畫素值。
其中，(Rs,Gs,Bs)為當前畫素值，(RB,GB,BB)為背像畫素值，n為背景模型更新學習因子控制引數。
參考資料：
A Robust Object Segmentation System Using a Probability-Based Background Extraction Algorithm