自组织背景减法是Maddalena于2008年发表的《A self-organizing approach to background subtraction for visualsurveillance applications》中提出的，通过自组织的方法自动的生成一张神经网格背景模型。这个背景减法在2012年和2013年的Change detection背景减法比赛中均排名前列。

 模型表示：

         对输入视频的每个像素p都建立一个对应的神经图，每个神经图由n*n个权重向量组成。

                       =｛(p)，i,j=0,……n-1｝.

将所有的神经图放在同一张图中产生一张背景模型图中。如果一个视频分辨率是R*P，则第t帧产生的2-D神经网络背景图的大小就是n*R列，n*P行的。且一个像素点p=（x，y）中第（i，j）个权值向量在B中的索引就是：

                      (n*x+i，n*y+j)=，i,j=0,……n-1.

图XXX     视频像素与其对应的神经网络背景模型图

神经模型初始化：

    在初始化过程中，作者的核心思想是视频的第一帧非常好的近似于真实背景，所以对于每个像素值p，其对应的背景模型的权值向量M（p）由一下公式进行初始化：

由上公式可以看出，初始化的神经网络背景模型B，可以看成是一张经过n*n扩大后的视频第一帧.

背景减法和模型更新：

(1)  寻找最佳匹配：

在t时刻给定当前的像素p，它的像素值和他的当前的背景模型作比较，找出其中与最匹配的权重向量BM(p),也就是在颜色空间中与距离最近的权重向量：

d(BM(p),)=，

在作者的模型中可以使用RGB颜色空间或者HSV颜色空间，如果是HSV颜色空间的话，其距离公式为：

给定两个像素的值

(2)  模型更新:

自组织模型的更新方法与众不同，在再找最佳匹配的权重向量BM(p)后，如果与像素p的当前像素值在颜色空间的距离小于阈值时，判定其当前像素值是背景，在此BM(p)和其在中相对应的位置的邻居的权值向量都将进行更新。具体的说，假如BM(p)在中的位置是，则的权值向量的更新根据以下公式：

  ，

其中  指在2-D空间中的邻居的权值向量.k在实验过程中取值为1.

        ; 是学习速率，G()=是一个2-D高斯低通滤波器。是对像素点p的背景减法掩模值。

  Input: pixel value p_tin frame I_t, t=0, … , LastFrame