参考文献来源：H. Zhang, D. Xu, “Fusing Color and Texture Features for Background Model,” Third International Conference on Fuzzy Systems and Knowledge Discovery, vol. 4223, no. 7, pp. 887-893, Sept. 2006.
摘要
背景减除是一种通常用于通过将每个新图像帧与场景背景模型进行比较来分割从静态相机拍摄的图像序列中的运动区域的方法。本文提出了一种新颖的方法，该方法使用模糊积分融合纹理和颜色特征以进行背景扣除。该方法可以处理背景对象的各种小动作，例如摇曳的树枝和灌木丛。此方法需要较少的计算成本。该模型可以快速适应场景中的变化，从而可以非常灵敏地检测运动目标。
颜色特征相似度量
将视频序列的各个RGB帧转换为Ohta颜色空间，其中的三个特征几乎不相关，Ohta颜色空间的三个正交颜色特征I1、I2、I3是表示颜色信息的重要组件。仅使用前两个，即可获得彩色图像处理的良好结果。
为了测试背景和当前帧之间的相似性，这里应用了不确定性颜色特征，其定义为
其中k（= 1，2，3）是上述的三个颜色特征之一，t（time）即视频图像序列的第t帧，B（background）代表在t帧中使用的背景，（x，y）表示图像中每颗像素的座标
纹理特征相似度量
大多数纹理模型的计算复杂度过高。这里选择一个简单的纹理模型，即局部二值模式运算符（local binary pattern）。运算符通过使用中心值设置每个像素的邻域阈值并将结果视为二进制数（LBP代码）来标记图像块的像素：
其中gc是中心像素（xc，yc）的灰度值，gp代表P邻域像素的灰度值（图1，存在8个邻域像素），阈值函数s（x）（类似于sgn函数）。图一示例LBP编码：
测试图像块纹理和背景纹理之间的相似性，这里应用“不确定度”，其定义为
其中GB（xc，yc）是背景中像素（xc，yc）的纹理LBP，Gt（xc，yc）是第t帧中像素（xc，yc）的纹理LBP。如果GB（xc，yc）和Gt（xc，yc）非常相似，则h.texture接近于1。
使用模糊积分融合纹理和颜色特征
定义1.设X为有限集，h：X→[0，1]为X的模糊子集。函数h相对于模糊度量g的X上的模糊积分定义为
假设从一组源（sources）X的角度评估对象。让其表示考虑源时的对象决策，并让g（{x}）表示该源的重要性。可以采用gλ-模糊度量来计算g（X）的值。对于背景减法问题，使用模糊积分分别对背景和当前帧中相同位置的两个像素的颜色和纹理特征进行积分，并确定是否两个像素相似与否。当然，特征集是X = {x1，x2，x3}。一个元素是x1 = {纹理}，其他元素是x2 = {I1}和x3 = {I2}（前文的Ohta色彩信息）。现在，每个xi对应重要程度（权重）， gλ（xi），即xi在背景减法问题中的重要性。gλ（X）值可以确定为：
设hi：X→[0，1]为模糊函数。模糊函数h1 = h（x1）= h.texture是纹理特征的评估。模糊函数h2 = h（x2）= h.I1是颜色特征I1的评估。模糊函数h3 = h（x3）= h.I2是颜色特征I2的评估。然后可以通过以下公式计算关于X上的模糊度量g的模糊积分S
模糊积分的计算如下：假设h（x1）≥h（x2）≥h（x3），如果不是，则重新排列X以使该关系成立。然后可以通过以下公式计算关于X上的模糊度量g的模糊积分S
其中X = {x1，x2，x3}。
这里设置一个阈值来确定处理像素是否相似。如果模糊积分值大于阈值，则认为两个像素相似。
更新背景
背景减法是一种在前景区域中获取运动对象的简单快捷的方法，并且已被许多监视系统采用。本文提出了一个动态矩阵D（X）来分析变化检测结果，其中每个像素的运动状态都存储在矩阵中。只有那些值变化不大的像素才能更新为背景。首先，选择第一个视频帧作为原始背景。根据矩阵D（X），动态更新背景。等式（10）和（11）示出了动态矩阵D（X）的表达式，并且判定像素x.t在时间t是否是运动像素。
其中S表示相对于X上的模糊度量g的模糊积分值，δ是确定像素在时间t是否改变的阈值，ω是记录像素运动状态的时间长度， D（xt）等于零，像素更新方法将决定将该像素更新为背景。
结论
本文介绍了一种用于构建和维护视频监控中的场景背景的新工具。该模型基于融合颜色和纹理特征。该模型实现了在杂乱背景下对移动目标的灵敏检测。它可以处理场景背景不是完全静止但包含微小运动的情况。该模型还适应于场景照明的变化。它能够抑制由于摄像机位移小而引起的错误检测。