SOBS（self-Organizing through artificial neural networks）是一种基于自组织神经网络的背景差分算法，主要是借鉴神经网络的特性，一个网络输入节点，对应多个中间节点，将背景模型中的一个像素映射到模型的多个位置，并采用了像素邻域空间相关的更新方式，使邻域的信息进一步融入模型中，使得算法具有邻域空间相关性。
算法伪代码
背景模型建立
选择背景模型的映射大小，一般选取n = 3，即一个像素点对应于模型中的3*3块，背景模型相比于原始图像扩大了9倍。
选择HSV颜色空间，选取第一帧数据作为背景模型的初始化数据。如上图示例所示，ai(h,s,v) = a(h,s,v)。
前景目标检测
计算当前像素点与其对应的模型块里像素点的最小距离，距离计算方法如下：
若最小距离小于阈值，则判定为背景，更新背景模型；
否则，进行阴影判断，阴影判断方法如下：
若判定为阴影，则只标识为背景，不更新背景模型。
背景模型更新
若像素判定为背景，且不属于阴影，则按一定的权值更新背景模型中最佳匹配像素周围的像素点，更新公式如下：
其中，a(t)是常数，wi,j是背景建模时，背景模型中每个像素对应的权重，初始为高斯权重，背景模型中最匹配像素的位置为(x‘,y‘)。
如图所示，假如f与f1最匹配，则黑色框的背景像素都将更新，即(b9,c7,c8,e3,f1,f2,e6,f4,f5)。
注意：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，在一定程度上影响了处理速度。
算法改进
1.背景模型更新方法优化
SOBS算法中，背景模型更新时，只是以是否存在最佳匹配的背景像素点为更新准则，没有利用最佳匹配像素点的最小距离值，具体更新方法如下：
由上述公式所示，有两种更新方法可选择，最小距离d(cm,pt)越小，对应的更新因子ai,j(t)值越大，当前像素点对背景模型的贡献度越大。
2.背景判定准则优化
SOBS算法中，背景判定准则是背景模型中是否存在最小距离小于阈值的像素。
这种判定准则存在的问题是若有噪声的影响，导致像素对应模型块中刚好存在唯一一个像素的距离小于阈值，此时，会把噪声点判定为背景，产生误检。
优化方法是引入满足匹配的像素数目作为判定准则，优化背景判定过程，具体方法是以最佳匹配像素表示背景，并计算与之对应的原始像素周围满足匹配的像素点数目（反向计算匹配过程），计算方法如下：
参考资料：
A Self-Organizing Approach to Background Subtraction for Visual Surveillance Applications
Multivalued Background/Foreground Separation for Moving Object Detection
The SOBS algorithm: what are the limits?