本文根据M. Lucia等人的论文“A self-Organizing approach to background subtraction for visual surveillance applications ”结合自己的理解而成，如果对论文感兴趣的，将在后面给出相应的链接下载，有问题欢迎交流。另转载请注明出处：http://blog.csdn.net/kezunhai。

在改论文中，作者提出了一种基于自组织神经网络（self-Organizing through artificial neural networks）的背景减除算法（简称SOBS算法），用于智能视频监控系统中的目标检测，该算法不仅对光照具有较强的鲁棒性，而且具有较强的实用性。本文将对算法分两个环节进行介绍，分别是背景建模、前景检测与背景更新。

1）背景建模

根据神经网络的特性，一个网络输入节点，对应多个中间节点。文中在背景建模阶段，也采用了这种思路，将背景模型中的一个像素映射到模型中的多个位置，首先我们用下图这个例子来看看映射方式：

在上图中是采用一个2×3例子来说明，对于一个每个像素，在背景模型中采用n×n（n=3）来表示，则对于一幅M×N的图像来说，其背景模型的大小将变成（M×n)×（N×n），即与原图像相比，模型的大小扩大了n×n倍。图中，像素a对应于模型中的(a1,a2,....,an2-1)。在背景模型初始化时，将图像转换到HSV颜色空间，模型中的每个值用ai=(hi,si,vi)表示。因此，对于原图中(x,y)处的一个像素，则对应于背景模型中的(i,j)（i=n*x,n*x+1,...,x*(n+1)-1), j =n*y,n*y+1,...,y*(n+1)-1))。

至此，SOBS背景模型建立完成，下面我们进一步来分析前景检测与背景更新。

2）前景检测与背景更新

对于新进来的视频帧，对应位置的像素与背景模型中对应位置的模型进行比较。在HSV颜色空间，两个像素的pi与pj的距离如下式来计算：

这种距离叫做HSV Color Hexcone，对光照变化具有较强的鲁棒性。另外，假设图像中(x,y)处的像素对应的背景模型为C=（c1,c2,...,cn2)，则采用上式计算当前像素与背景模型的距离，如果最小距离满足下式：

式子的右边是一个阈值，则该像素被分为背景模型，并进行背景更新。背景更新是论文中的一大亮点，其采用了像素邻域空间相关的更新方式，取得了很好的效果。

具体来说如下：

①  在背景建模时，模型中的每个像素都对应一个权重weight，该权重初始化为高斯权重。

②  如果当前像素被判为背景，且其与对应背景模型C中的cm最匹配（假设对应位置为(x',y')），即上式中的距离最小, 则其权重采用下式进行更新：

其中，i=x'-n/2,x'-n/2+1,...,x'+n/2 , j=y'-n/2,y'-n/2+1,...,y'+n/2 。其中alpha(i,j)的值如下所示：

其中alpha(t)是一个常数，wi,j就是对应的高斯权重。

通 过上式的更新方式，我们可以看到，如果一个像素被判为背景，那么其邻域像素也会被更新，其邻域像素的背景模型也会被该像素影响，使邻域的信息进一步融入模型中，使得算法具有了邻域空间相关性。这里我继续通过上面的映射图来进一步解释：假设a位置的像素与背景模型中的a9最匹配，即其距离满足上面的最小距离度量方式，那么背景模型中对应于(a5,a6,b4,a8,a9,b7,d3,e1,e3)将被更新，更新位置如下图所示（即图中黑色框框出来的像素将被更新，更新模型中包括了邻域的背景像素，随着算法的继续执行，那么邻域之间的信息将被更好的融合）：

经过测试，算法性能表现不错，对光照也有较强的鲁棒性，另外计算速度还可以，对于352×288的图像来说，处理速度可以达到15-20fps（应个人主机而异）。但是有些许不足的是，该算法中的每个像素都要与背景模型中的n×n个像素背景求最小值，这在一定程度上影响了处理速度（但这又与背景模型的更新紧密关联，能否采用类似VIBE算法中的度量方式，只要满足#min，则判为背景，然后选用另外的更新方式，处理速度上应该有所提高）。另外，作者与此相关的一篇论文：The SOBS algorithm- what are the limits，有兴趣的读者可以下下来看看。下面给出论文的伪代码：

最后，贴出几张论文中的效果图：

论文下载：http://download.csdn.net/detail/kezunhai/5283117