本文提出了一种基于高斯混合模型 (MoG) 的在线背景消除方法，该方法使用了一种特殊的 MoG 混合模型对每一帧的前景进行建模，并通过前一帧的前景 / 背景知识对 MoG 混合模型进行规范化。此外，本文还嵌入了仿射变换操作符来适应各种视频背景变换，并通过子采样技术来实现实时视频处理。与现有的在线和离线背景消除方法相比，实验表明，所提出的方法具有优越性能。

May, 2017

本文提出了一种可以动态选择核方差的自适应核估计方法，将其与复杂特征相结合，可在标准背景分割基准测试中显著提高结果。

Nov, 2015

本文通过使用混合高斯模型和无监督的 EM 算法，提出了一种基于像素分类的背景减法方法，并应用于交通监控中，取得了较好的车辆识别和跟踪效果。

Feb, 2013

针对移动拍摄视频中背景难以识别的问题，本文提出了一种基于多层结构的在线背景减除算法框架，将多前景物体建模并赋予拥有独立处理层，同时采用贝叶斯滤波框架推断概率图，并用马尔科夫随机场上的多标签图割算法进行像素级分割，取得了优于现有技术的结果。

Sep, 2017

本文提出了一种名为 CDN-MEDAL-net 的新方法，使用两个卷积神经网络，其中第一个网络基于 GMM 统计学习策略，第二个网络实现了轻量级的在线视频背景减除，实验结果表明这种方法不仅能够在未见情况下有效地提取移动对象的区域，而且非常高效。

Jun, 2021

本文提出了使用深度卷积神经网络的新型背景减除系统，通过从数据中训练单个 CNN 来处理各种视频场景的学习，从而避免了特征工程和参数调整，同时提出了一种新的从视频中估计背景模型的方法。经过不同数据集的评估，我们的方法相对于其他算法在不同的评估指标上具有更好的性能，并且由于网络架构，我们的 CNN 能够实时处理。

Feb, 2017

提出了一种部分有监督的深度学习方法，用于视频异常检测和定位，其中使用的仅为正常样本，并且该方法基于使用深度学习训练的高斯混合模型，可以学习正常样本的特征表示。通过使用 RGB 帧和动态流图像，同时使用出现和运动异常构建了一个双流网络框架，并基于高斯混合分量的联合概率引入了一种基于样本能量的方法来评分图像测试块的异常。在 UCSD 数据集和 Avenue 数据集上进行了测试实验，结果表明，与现有技术相比，该方法具有卓越的性能。

May, 2018

提出了一种在较为复杂的情况下学习和维护一组动态纹理模型的背景减除方法，在多个复杂场景的实验中，表现优于其他前沿的背景减除算法。

Feb, 2015

本文提出了一种使用自编码器模拟场景背景的低维流形，通过与原始图像进行对比实现前景 / 背景分割，自编码器同时用于预测背景噪音，从而计算每一帧的像素相关阈值进行前景分割。该模型在 CDNet 2014 和 LASIESTA 数据集上超越了现有技术，且能够在某些非视频图像数据集上实现背景重构。

Dec, 2021

本文提出了一种基于实时语义分割的新型背景减除定义，其由传统的背景分割器和实时语义分割器组成，并在 CDnet 数据集上评估，达到了同类无监督背景减除方法的最优表现，甚至优于某些基于深度学习的有监督算法，并且具有潜在的泛化能力。

Nov, 2018