參考文獻 Multi-Layer Background Subtraction Based on Color and Texture CVPR-VS 2007
與前一篇文章的大體思路一致，提取紋理特征和顏色特征，建立背景模型，並實時更新背景模型．
紋理特征：LBP．
顏色特征：借鑒碼本模型，顏色空間的分布模型，參用當前像素點與背景像素點的夾角，以及最小和最大值作為顏色特征．
紋理特征相似度計算：
顏色特征相似度計算：
最終的相似度計算，是紋理特征和顏色特征相似度的加權和．
背景模描述：
背景更新，與前一篇文章類似，只不過其權值更新的學習因子，是根據該模型最大權值的大小來調整的．
對於當前權值較小, 但是曾經具有大權值的模型如果出現匹配情況時權值的增加非常快．
對於當前權值較小，但是曾經具有大權值的模型如果出現不匹配情況時權值的減少非常慢．
對於曾經具有過大權值的模型, 其實很可能屬於背景模型,
當再次出現匹配這類模型的像素時, 快速恢復其權值是非常合理的，
不匹配這類模型時，緩慢減少其權值是合理的．
其存在匹配的模型時，對應的的第k個模型更新公式如下：
其他模型，只更新其權值，其他的保持不變，
前景檢測的步驟：
1).計算與背景模型中K個模型的最小距離，記最小距離的模型為第i個模型．
2).判斷第i個模型，是否為背景模型，是否曾經可判斷為可信的背景模型.
3).若是，則保持最小距離不變，若不是，則更新最小距離的值．
4).利用the cross bilateral filter平滑最小距離值．
5).根據最小距離值與閾值的大小，確定對應像素點是前景，還是背景．
其具體計算公式如下：
本文創新點：
1).顏色特征的選擇．
2).權值的更新方式，利用了權值對應的歷史信息．
3).引入分層的概念，利用模型被匹配為可信背景模型的歷史信息，來判斷當前模型匹配的可信度．
4).在計算得最小距離值，進行平滑處理，而不是得到前景和背景后再做平滑處理．
不足之處：參數的選擇和閾值的選擇對檢測結果的影響，如何選擇最合適的一組參數值．
參考文獻 基於顏色和紋理特征背景模型的多層差分運動目標檢測算法 計算機應用 2009
初看這篇文章，感覺與上面的英語文章有許多類似之處，不過細看，仍有些不同之處．
1).該文是將紋理特征和顏色特征分開進行匹配計算，得到兩種特征下結果，最后再將兩種結果融合．
2).該文中紋理特征匹配和更新時，其與混合高斯模型的思路一致，利用方差來調整匹配對應的閾值．