代码中的一个问题是cv::threshold，它只使用1个通道图像。仅在灰度中找到两个图像之间的逐像素“差异”通常导致不直观的结果。
由于您提供的图像有点平移或者相机不是固定的，我已经操作了背景图像以添加一些前景：
背景图像：

前景图像：

代码：

cv::Mat diffImage;
    cv::absdiff(backgroundImage, currentImage, diffImage);

    cv::Mat foregroundMask = cv::Mat::zeros(diffImage.rows, diffImage.cols, CV_8UC1);

    float threshold = 30.0f;
    float dist;

    for(int j=0; j<diffImage.rows; ++j)
        for(int i=0; i<diffImage.cols; ++i)
        {
            cv::Vec3b pix = diffImage.at<cv::Vec3b>(j,i);

            dist = (pix[0]*pix[0] + pix[1]*pix[1] + pix[2]*pix[2]);
            dist = sqrt(dist);

            if(dist>threshold)
            {
                foregroundMask.at<unsigned char>(j,i) = 255;
            }
        }

给出这个结果：

用这个差分图像：

通常，难以根据逐像素差异解释来计算完整前景/背景分割。
您可能需要添加后处理的东西，以获得一个真实的的分割，在那里你从你的前景蒙板开始。不确定是否有任何稳定的通用解决方案。
正如berak提到的，实际上使用一个背景图像是不够的，所以你必须随着时间的推移计算/管理你的背景图像。有大量的论文涉及这个主题，但目前还没有稳定的通用解决方案。
这里还有一些测试。转换为HSV颜色空间：cv::cvtColor(backgroundImage, HSVbackgroundImagebg, CV_BGR2HSV); cv::cvtColor(currentImage, HSV_currentImage, CV_BGR2HSV);并在此空间中执行相同的操作，导致以下结果：

在输入端添加一些噪声后：

我得到这个结果：

所以门槛可能有点太高了我仍然鼓励你看看HSV颜色空间太多，但你可能需要重新解释“差异图像”并重新缩放每个通道以合并它们的差异值。

我使用Python，这是我的结果：

代码：

# 2017.12.22 15:48:03 CST
# 2017.12.22 16:00:14 CST
import cv2
import numpy as np

img1 = cv2.imread("img1.png")
img2 = cv2.imread("img2.png")
diff = cv2.absdiff(img1, img2)
mask = cv2.cvtColor(diff, cv2.COLOR_BGR2GRAY)

th = 1
imask =  mask>th

canvas = np.zeros_like(img2, np.uint8)
canvas[imask] = img2[imask]

cv2.imwrite("result.png", canvas)

更新，这里是C++代码：

//! 2017.12.22 17:05:18 CST
//! 2017.12.22 17:22:32 CST

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace std;
using namespace cv;
int main() {

    Mat img1 = imread("img3_1.png");
    Mat img2 = imread("img3_2.png");

    // calc the difference
    Mat diff;
    absdiff(img1, img2, diff);

    // Get the mask if difference greater than th
    int th = 10;  // 0
    Mat mask(img1.size(), CV_8UC1);
    for(int j=0; j<diff.rows; ++j) {
        for(int i=0; i<diff.cols; ++i){
            cv::Vec3b pix = diff.at<cv::Vec3b>(j,i);
            int val = (pix[0] + pix[1] + pix[2]);
            if(val>th){
                mask.at<unsigned char>(j,i) = 255;
            }
        }
    }

    // get the foreground
    Mat res;
    bitwise_and(img2, img2, res, mask);

    // display
    imshow("res", res);
    waitKey();
    return 0;
}

类似的答案：

1. CV -提取两个图像之间的差异
   1.当发现两张图片之间的差异OpenCV差异大于预期

另一种获得两幅图像之间精确像素差异的技术是使用在论文Image Quality Assessment: From Error Visibility to Structural Similarity中首次引入的结构相似性指数（SSIM）。该方法可以用于确定两个图像是否相同和/或由于微小的图像差异而展示差异。SSIM已在scikit-image library中实现，用于图像处理，如skimage.metrics.structural_similarity()
structural_similarity()函数返回一个score和一个差值图像diff。score表示两个输入图像之间的平均结构相似性指数，并且可以落在范围[-1,1]之间，其中越接近1的值表示越高的相似性。但是，由于您只对这两个图像的不同之处感兴趣，因此我们将重点关注diff图像。具体地，diff图像包含实际图像差异，其中较暗区域具有较大的视差。较大的差异区域以黑色突出显示，而较小的差异以灰色突出显示。
使用这两个输入图像

我们得到这个结果

对比两张图片后的SSIM评分显示，它们非常相似
图像相似度：95.8648%

from skimage.metrics import structural_similarity
import cv2

# Load images as grayscale
image1 = cv2.imread('1.png', 0)
image2 = cv2.imread('2.png', 0)

# Compute SSIM between the two images
(score, diff) = structural_similarity(image1, image2, full=True)

# The diff image contains the actual image differences between the two images
# and is represented as a floating point data type in the range [0,1] 
# so we must convert the array to 8-bit unsigned integers in the range
# [0,255] image1 we can use it with OpenCV
diff = (diff * 255).astype("uint8")
print("Image Similarity: {:.4f}%".format(score * 100))

cv2.imshow('diff', diff)
cv2.waitKey()

这是一个著名的经典计算机视觉问题，叫做背景减除。有很多方法可以用来解决这个问题，其中大部分已经实现，所以我认为你应该先看看现有的多种算法，这里是其中大部分的开源实现：https://github.com/andrewssobral/bgslibrary（我个人发现SUBSENSE的效果最好，但它的速度非常慢）