参考文献 Background Subtraction Based on a Combination of Texture, Color and Intensity ICSP 2008
文章结合纹理，颜色和强度等特征，建立背景模型，并实时更新背景，在复杂的背景环境下，具有良好的检测效果．
与前面两篇文章，该文章并没有将多种特征融合成一种，而是以多种特征建立一个背景模型描述，并根据匹配情况，更新该背景描述．
提取的特征：
纹理特征是DLBP．
颜色特征是hs = {h,s}．
Let hs={h,s} denotes the color information for pixel x,
where h is a local3×3 template centered at the pixel x for the hue channel,
s a local 3×3 template for the saturation channel.
强度特征是像素点对应的强度值是指像素点灰度值．
相似度计算：
DLBP相似度计算：
颜色特征相似度计算：
强度特征相似度计算：
背景模型描述：
背景模型更新，与混合高斯模型类似，只不过没有假设其分布是高斯分布．
以纹理特征为基础，计算出距离最小的第i个模型，然后计算当前帧与第i个模型对应的纹理，颜色，强度特征的距离，
若3个特征的距离都小于一定的阈值，则说明与第i个模型匹配，为背景．否则，不匹配，为前景．
若匹配，则更新第i个模型和其他的模型，若不匹配，新添加一个模型，或取代最小权值的模型．
具体的匹配公式以及更新公式如下：
思考点：
1).为什么以纹理特征为基础，选择纹理特征距离最小的模型进行模型匹配计算．
为什么不以颜色特征为基础?
能不能以纹理特征，颜色特征，强度特征组合成一个特征向理，然后计算特征向量的距离来选择距离最小的模型进行匹配计算．
2).该方法中，涉及许多参数值的选择，阈值的选择，学习因子大小的选择都不是自适应，是通过实验，经验观察得到的．
能不能改进其阈值的选择，让其自适应调整，类似高斯模型的方差，根据方差的改变，来调节阈值的大小．