自组织背景减法是Maddalena于2008年发表的《A self-organizing approach to background subtraction for visual
surveillance applications》中提出的，通过自组织的方法自动的生成一张神经网格背景模型。这个背景减法在2012年和2013年的Change detection背景减法比赛中均排名前列。
模型表示：
对输入视频的每个像素p都建立一个对应的神经图，每个神经图由n*n个权重向量
组成。
=｛
(p)，
i,j=0,……n-1｝.
将所有的神经图放在同一张图中产生一张背景模型图中。如果一个视频分辨率是R*P，则第t帧产生的2-D神经网络背景图
的大小就是n*R列，n*P行的。且一个像素点p=（x，y）中第（i，j）个权值向量
在B中的索引就是：
(n*x+i，n*y+j)=
，i,j=0,……n-1.
图XXX 视频像素与其对应的神经网络背景模型图
神经模型初始化：
在初始化过程中，作者的核心思想是视频的第一帧
非常好的近似于真实背景，所以对于每个像素值p，其对应的背景模型的权值向量M（p）由一下公式进行初始化：
由上公式可以看出，初始化的神经网络背景模型B，可以看成是一张经过n*n扩大后的视频第一帧
.
背景减法和模型更新：
(1)
寻找最佳匹配：
在t时刻给定当前的像素p，它的像素值
和他的当前的背景模型
作比较，找出其中与
最匹配的权重向量BM(p),也就是在颜色空间中与
距离最近的权重向量：
d(BM(p),
)=
，
在作者的模型中可以使用RGB颜色空间或者HSV颜色空间，如果是HSV颜色空间的话，其距离公式为：
给定两个像素的值
(2)
模型更新:
自组织模型的更新方法与众不同，在再找最佳匹配的权重向量BM(p)后，如果与像素p的当前像素值在颜色空间的距离小于阈值时，判定其当前像素值是背景，在此BM(p)和其在
中相对应的位置的邻居的权值向量都将进行更新。具体的说，假如BM(p)在
中的位置是
，则
的权值向量的更新根据以下公式：
，
其中 
指
在2-D空间中的邻居的权值向量.k在实验过程中取值为1.
; 
是学习速率，G(
)=
是一个2-D高斯低通滤波器。
是对像素点p的背景减法掩模值。
Algorithm SOBS
(Self-Organization Background Subtraction)
Input: pixel value pt
in frame It, t=0, … , LastFrame
Output:
background/foreground binary mask value B(pt)
1.
Initialize mode C for pixel p0 and store it into
A
2.
for t = 1, LastFrame
3.
Find best match cm in C to current sampe pt
4.
if (cm
found) then
5.
B(pt) = 0 //background
6.
update
A in the neighborhood of cm
7.
else if (pt shadow) then
8.
B(pt) = 0 //background
9.
else
10.
B(pt) = 1 //foreground