SOBS（self-Organizing through artificial neural networks）是一種基於自組織神經網絡的背景差分算法，主要是借鑒神經網絡的特性，一個網絡輸入節點，對應多個中間節點，將背景模型中的一個像素映射到模型的多個位置，並采用了像素鄰域空間相關的更新方式，使鄰域的信息進一步融入模型中，使得算法具有鄰域空間相關性。
算法偽代碼
背景模型建立
選擇背景模型的映射大小，一般選取n = 3，即一個像素點對應於模型中的3*3塊，背景模型相比於原始圖像擴大了9倍。
選擇HSV顏色空間，選取第一幀數據作為背景模型的初始化數據。如上圖示例所示，ai(h,s,v) = a(h,s,v)。
前景目標檢測
計算當前像素點與其對應的模型塊里像素點的最小距離，距離計算方法如下：
若最小距離小於閾值，則判定為背景，更新背景模型；
否則，進行陰影判斷，陰影判斷方法如下：
若判定為陰影，則只標識為背景，不更新背景模型。
背景模型更新
若像素判定為背景，且不屬於陰影，則按一定的權值更新背景模型中最佳匹配像素周圍的像素點，更新公式如下：
其中，a(t)是常數，wi,j是背景建模時，背景模型中每個像素對應的權重，初始為高斯權重，背景模型中最匹配像素的位置為(x',y')。
如圖所示，假如f與f1最匹配，則黑色框的背景像素都將更新，即(b9,c7,c8,e3,f1,f2,e6,f4,f5)。
注意：算法中的每個像素都要與背景模型中的n*n個像素背景求最小值，在一定程度上影響了處理速度。
算法改進
1.背景模型更新方法優化
SOBS算法中，背景模型更新時，只是以是否存在最佳匹配的背景像素點為更新准則，沒有利用最佳匹配像素點的最小距離值，具體更新方法如下：
由上述公式所示，有兩種更新方法可選擇，最小距離d(cm,pt)越小，對應的更新因子ai,j(t)值越大，當前像素點對背景模型的貢獻度越大。
2.背景判定准則優化
SOBS算法中，背景判定准則是背景模型中是否存在最小距離小於閾值的像素。
這種判定准則存在的問題是若有噪聲的影響，導致像素對應模型塊中剛好存在唯一一個像素的距離小於閾值，此時，會把噪聲點判定為背景，產生誤檢。
優化方法是引入滿足匹配的像素數目作為判定准則，優化背景判定過程，具體方法是以最佳匹配像素表示背景，並計算與之對應的原始像素周圍滿足匹配的像素點數目（反向計算匹配過程），計算方法如下：
參考資料：
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?