编写时间：2023-08

监控视频的背景建模通常假设背景是静止的。但真实场景里有一些东西虽然一直在动，却不属于前景——扶梯在运行、电子告示牌在滚动文字、喷泉在喷水。它们不应该触发"运动检测"，但又确实在变化。这个模块就是处理这个边界情况。

问题定义

核心判断标准不是"有没有变化"，而是变化是否持续。一个人走过，残差只在那几帧；扶梯一直在转，残差会在几十上百帧里持续累积。

算法思路

累积残差

对固定长度的帧窗口，逐帧计算相邻帧差并累加：

二值化与后处理

累积残差图拿到后，走一条标准的 mask 生成管线：

消除前景干扰

人走动也会产生残差，但人的残差是局部的、不会在同一个像素位置持续整整 100 帧。两种辅助手段：

实际效果上，因为背景运动（扶梯、告示牌）的位置非常固定，即使不加人脸检测，100 帧的累积也已经能把前景残差稀释到阈值以下。人脸检测更多是兜底。

参数选择

参数调的思路是：累积帧数决定"持续"的定义严格程度；二值化阈值决定对"变化剧烈程度"的敏感度；面积阈值是最后的安全网，清理碎片。

边界与局限

1. 不适合短时场景切换。如果背景变化本身只持续几秒就停了（比如临时施工），100 帧窗口可能捕捉不到。
2. 依赖固定相机。相机抖动会导致全图残差异常升高，需要先做稳像或全局运动补偿。
3. 光照突变（开关灯、闪电）会在残差图上制造大面积的假阳性。可以考虑在残差计算前做光照归一化。
4. 缓慢变化的背景（如日落时分的光影移动）帧间残差很小，可能需要更长的累积窗口或更低的残差阈值。

工程判断

这个模块属于"小而有用的算法笔记"。它不涉及深度学习，也不用 GPU，核心是一个观察：持续性和规律性可以把背景变化和前景运动分开。累积残差本质上是把时间维度的信息折叠到一张图里，然后用经典图像处理手段（阈值、形态学、连通域）做决策。

在工程上，这种轻量级方法很适合作为监控视频分析的前置步骤——先把扶梯和告示牌区域标出来，后续的运动检测、目标跟踪、异常检测就可以直接跳过这些区域，减少误报。