參考文獻 Improved Adaptive Gaussian Mixture Model for Background Subtraction ICPR 2004
創新點：自适應調整K的大小，而不是固定的3~5.
實際場景中，不同的區域背景的狀态個數通常是不一樣的，随着場景的變化，同一個區域的狀态個數也會經常改變．
在每幀中對所有像素的高斯模型都保持相同固定不變的高斯模型個數，會造成系統運算資源的浪費．
是以，需要根據場景自适應選擇每個像素高斯模型的個數．
上面提到的參考文獻利用最大似然估計提出了一種高斯模型個數的選擇方法，引入了負的先驗系數，當權值小于門檻值時，減少高斯模型個數．
具體原理請看原文．權值的更新方式發生了改變，參考如下公式：
具體代碼可參考Opencv裡的代碼實作，bgfg_gaussmix2.cpp
參考文獻 基于自适應混合高斯模型的時空背景模組化 自動化學報 2009
該文獻中提到自适應調整k值的另外一種方法
過期高斯模型：利用這些高斯模型進行學習更新比用一個新的高斯模型學習更新所花費的時間更長．
過期高斯模型的判别公式如下：
當某個高斯模型的權重小于初始權重，且該高斯模型的權重與方差的商小于初始的權重與方差的商時，
經過排序，該高斯模型将會被排在新初始化的高斯模型之後，即為過期的高斯模型．
進行更新處理時，若混合高斯模型中存在過期的高斯模型，則删除．