1，CodeBook的来源
　　先考虑平均背景的建模方法。该方法是针对每一个像素，累积若干帧的像素值，然后计算平均值和方差，以此来建立背景模型，相当于模型的每一个像素含有两个特征值，这两个特征值只是单纯的统计量，没有记录该像素值的历史起伏，即没有考虑时间序列和噪声干扰，不具备鲁棒性，因此建模时不能有运动前景的部分，要求光线保持不变。
　　如果我们考虑到时间起伏序列建模，比如利用60帧图像建模，对于每一个像素点会产生60个像素值，分别给他们加上60个相关的权值，或者进一步统计不同像素值出现的频次或者距离，以此来排除噪声，这样能够模拟复杂的背景，但是会带来巨大的内存消耗。
　　如果我们对该像素值起伏的动态范围进行压缩，压缩的依据是像素值之间的大小距离，即当前观测值与历史的记录值对比，如果两个值接近，就归为一类，也就是隶属同一个码元（CodeWord），如果差别过大，就以当前观测值新建一个码元，因为背景的变化情况远小于前景，所以压缩之后我们就得到了只含有若个码元的一个编码本（CodeBook），这个编码本不仅能够模拟复杂背景，同时大大减少内存消耗。此外，对每个码元的更新频率进行监督，剔除那些频率低的（误跑进来的动态前景），不仅排除了噪声，同时也允许有移动前景的背景当做学习资料。这便是CodeBook的核心思想。
2，CodeBook的实现
　　CodeBook执行前景分割主要分为三个过程，即背景建模、清除陈旧码元、前景分割，分别对应如下三个函数updateCodeBook(), clearStaleEntries(), backgroudDiff()。
2.1 结构及主要参数
　　CodeBook算法为当前图像的每一个像素建立一个CodeBook(CB)结构，每个CodeBook结构又由多个码元CodeWord(CW)组成。
　　CB和CW的形式如下：
　　CB={CW1,CW2,…CWn,t}
　　CW={learnHigh[],learnLow[],max[],min[],t_last_updata,stale}
　　其中n为一个CB中所包含的CW的数目，当n太小时，退化为简单背景，当n较大时可以对复杂背景进行建模。CW是一个6元组结构，在整个算法流程中，主要包括以下参数：
　　maxMod[]：用训练好的背景模型进行前景分割时的调节量，判断点是否小于max[] + maxMod[])；
　　minMod[]：用训练好的背景模型进行前景分割时的调节量，判断点是否小于min[] -minMod[])；
　　cbBounds[]：训练背景模型时用到，相当于控制模型的增长速率，更新learnHigh[]和learnLow[]。
　　learnHigh[]：背景的学习上界限，当新像素进来时判断其是否属于该码元；
　　learnLow[]：背景的学习下界限，当新像素进来时判断其是否属于该码元；
　　max[]: 背景学习中不断更新，记录当前码元的最大值，在前景分割时，与MaxMod[]配合，判断像素是前景还是背景;
　　min[]: 背景学习中不断更新，记录当前码元的最小值，在前景分割时，与MinMod[]配合，判断像素是前景还是背景;
　　此外，为了剔除陈旧码元，给每个CB和CW都加入了若干时间标签，比如CB的t，记录CB更新的次数，CW的t_last_updata和stale，t_last_updata记录了该CW上次更新的时间，stale记录了CW的搁浅时间，stale=t-l_last_updata。
2.2 背景建模
　　遍历每一个像素，假设针对某个像素I(x,y)，遍历其对应的CodeBook的每一个码元，分通道检测learnHighI(x,y)learnLow？如果满足条件，则更新该码元的t_last_updata，若max<I(x,y)，更新max=I(x,y), 若min>I(x,y), 更新min=I(x, y)，若learnHigh<I(x,y)+cbBounds，缓慢增加学习上限learnHigh+1, 若learnLow>I(x,y)-cbBounds，降低学习下线learnLow-1。
　　如果不满足条件，则创建一个新的码元,learnHign=I(x,y)+cbBounds，learnLow=I(x,y)-cbBounds, max=min=I(x,y)。
　　更新所有的时间标签。
2.3 清除陈旧码元
　　背景建模一段时间后，需要定期清除陈旧码元，针对每一个CodeBook，根据经验将其时间t的一半当做阈值，遍历所有码元，将与之对应的时间标签stale与阈值比较，大于阈值的则删除，阈值之内的保留，同时更新时间标签。
2.4，前景分割
　　前景分割也就是利用训练好的CodeBook进行运动检测，遍历该像素对应的CodeBook的所有码元，如果其中一个码元满足当前像素I(x,y)min-minMod且I(x,y)max+maxMod，则判断该像素属于背景，如果一个条件不满足，则属于前景。
3，CodeBook的优缺点以及改进
　　优点：
　　室内室外都能工作很好，能够适应小范围周期性运动的背景（经典例子，风中摇曳的树）以及灯光缓慢变化或者有规律的变化，训练过程不需要完全干净无前景的背景，适应有前景目标移动的背景建模。
　　不足：
　　如果背景发生全局变化，比如打开或者关闭灯，不同时候的阳光，这个时候密码本会失效。解决方法：针对可能出现的全局背景，训练不同背景下的CodeBook，并自动检测背景环境进行模型切换。
　　背景局部发生变化，背景与前景都是相对而言，比如背景里进入一辆汽车，汽车停止不再移动，变成背景的一部分，CodeBook并不能判断这一类情形。解决方法：多层CodeBook建模，一层永久背景模型，一层缓存背景模型，如果部分前景在混存背景模型存在时间足够长，则移入永久背景模型进行检测。
此外，我们比较的特征都是基于像素值这一最原始的特征，可以提取一些加工过的特征比如Gaussian/LBP来建立CodeBook.
4，参考资料
《学习OpenCV》;
百度百科——codebook;
Tornadomeet博客——前景检测算法_1(codebook和平均背景法)