vibe算法是采用領域像素來創建背景模型，通過比對背景模型和當前輸入像素值來檢測前景。
模型的工作原理
背景像素樣本（該點過去的像素和其領域的像素）的選取：鄰域點選取采用8鄰域方法隨機選取。用v(x)表示圖像中x處的像素在給定的歐幾里得顏色空間所取得值，每個背景像素x由N個背景樣本值集合來建模
M(x)={v1,v2,……vN}
根據模型M(x)對像素值v(x)進行分類，定義一個以v(x)為中心的半徑為R的球面S(v(x))，將其與樣本中最接近的值進行比較。將規定閾值記為#min，若
#{SR(v(x))∩M(x)}>#min
則該像素點為背景點。反之，為前景點。
模型初始化
初始化是建立背景模型的過程，一般檢測算法需要一定長度的視頻序列學習完成，影響了檢測的實時性，而且當視頻畫面突然變化時，重新學習背景模型需要較長時間。
vibe算法主要是利用單幀視頻序列初始化背景模型，對於一個像素點，結合相鄰像素點擁有相近像素值的空間分布特性，隨機選擇它的鄰域點的像素值作為它的模型樣本值。我們假設t=0索引第一幀,NG(x)是像素位置x的空間鄰域，位置y是根據統一定律隨機選擇的。
M0(x)={v0(y|y∈NG(x)}
缺點：在第一幀中出現一個移動的物體將會引入Ghost。
更新模型
保守更新策略：像素樣本只有被分類為背景樣本時，才能被包含在背景模型中，而前景點永遠不能被用於填充背景模型。該方法保證了對移動對象的精確檢測，前提是它們與背景顏色不相似。缺點是會導致死鎖情況和Ghost。解決方法是引入空間信息或采用前景點計數的方法。
盲目更新策略：不管樣本是否被歸類為背景都被添加到背景模型中。優點是對死鎖不敏感，缺點是對慢速運動目標檢測能力差，慢速運動目標逐漸被包含在背景模型中。一個可能的解決辦法是使用大尺寸的像素模型，它覆蓋了長時間窗口。但這是以增加內存使用和更高的計算成本為代價的。
vibe算法采用的是保守更新策略與空間信息相結合的方法，還可以加入前景計數方法。
前景計數方法：對像素點進行統計，如果某個像素點連續N次被檢測為前景，則將其更新為背景點。
這樣的更新策略包含三個特性：
無記憶更新：保證樣本值保持在樣本集合內的概率單調衰減，此方法與保守的更新策略相結合，不應該將前景值包含在模型中。新值替換隨機選擇的樣本，而不是首先替換舊值。dt時間后樣本被保留的概率是
P(t,t+dt)=[(N-1)/N](t+dt)-t
也可以寫作
P(t,t+dt)=e-ln(N/(N-1))dt
該式表明樣本在dt時間內被保留的概率與t無關，即過去對未來沒有影響。
時間子采樣：不必為每個新幀更新背景模型，當一個像素點被分為背景時，它有的概率更新背景模型。
空間鄰域更新策略：由於我們使用的是保守更新策略，必須要解決它的缺點引入空間信息。當一個像素點被選擇去更新背景模型中的樣本值時，也同時也有的概率去更新它的鄰域的樣本值。該方法利用了像素值的空間傳播特性，背景模型逐漸向外擴散，有利於Ghost的快速識別。