邻近算法，或者说K近邻（KNN， K-NearestNeighbor）的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。kNN算法需要一个已经分好类的训练数据集，然后对没有分类(没有标记)的记录进行分类，kNN确定训练数据集中与该记录相似度"最近"的k条记录,将无标记的测试例子分配到k个近邻中占比最大的那个类中。
k 邻近算法需要做的三件事请：
1、特征空间(已经分好类的训练数据集)
2、计算该记录（未知分类）与训练数据中每条记录之间的距离，确定最近的邻居
3、确定k个最近的邻居和k的值，训练集中与该待分类记录相似度最近的记录条数
4、获得多数类，使用最近邻居的类标签来确定未知记录的类标签
KNN 算法一般用在背景分割中，背景分割是许多可视化应用中重要操作。比如：一个静止的摄像头计算进出房间的游客数量的计数器，或者交通摄像头的车辆信息提取等等。在所有这些案例中都要独立 提取人或者车，从技术上讲，需要将动态的前景与静态的背景分离。
在实opencv BackgroundSubtractorKNN 类中有实现。