Background modeling is a crucial step in various computer vision applications such as video surveillance, object tracking, and moving object detection. Classifying image pixels as foreground or background is yet a challenging task particularly in complicated situations such as illumination variations, rippling water, camera jitter, and the presence of fast and slow moving objects. Therefore, for a better detection of the moving objects, the multi-modal nature of a scene in those intricate situations should be modeled by multiple models for each image pixel. To this end, in this article, we improve our previous work by fusing color features and texture features using Choquet fuzzy integral. Thereby, our proposed spatial color features that are described by Atanassov's Intuitionistic 3D Fuzzy Histon Roughness Index are fused by the texture features extracted using a covariance matrix. As handling multi-modal background updating is an arduous task, we also propose a new model updating for tackling various challenges such as model initializing with moving objects, existence of fast and slow moving objects in a scene, and existence of the moving objects that stop for a while. We intensively evaluate our proposed approach on diverse benchmark datasets. Experimental results demonstrate the robustness and supremacy of our proposed approach compared to its previous version and the state-of-the-art algorithms in the field.

背景建模是各种计算机视觉应用（例如视频监视，对象跟踪和移动对象检测）中的关键步骤。将图像像素分类为前景还是背景仍然是一项艰巨的任务，特别是在复杂的情况下，例如照明变化，水面起伏，相机抖动以及快速移动物体和慢速移动物体的存在。因此，为了更好地检测运动物体，应该通过多个模型为每个图像像素对那些复杂情况下的场景的多峰性质进行建模。为此，在本文中，我们通过使用Choquet模糊积分融合颜色特征和纹理特征来改进以前的工作。因此，我们提出的由Atanassov'描述的空间色彩特征 直观的3D模糊Histon粗糙度指数与使用协方差矩阵提取的纹理特征融合在一起。由于处理多模式背景更新是一项艰巨的任务，因此我们还提出了一种新的模型更新，以应对各种挑战，例如使用运动对象进行模型初始化，场景中快速运动对象和慢速运动对象的存在以及停止运动的运动对象的存在一阵子。我们在各种基准数据集上集中评估了我们提出的方法。实验结果表明，与之前的版本和本领域的最新算法相比，我们提出的方法具有较强的鲁棒性和优越性。我们还提出了一种新的模型更新，以应对各种挑战，例如使用运动对象初始化模型，场景中快速运动对象和慢速运动对象的存在以及暂时停止的运动对象的存在。我们在各种基准数据集上集中评估了我们提出的方法。实验结果表明，与之前的版本和本领域的最新算法相比，我们提出的方法具有较强的鲁棒性和优越性。我们还提出了一种新的模型更新，以应对各种挑战，例如使用运动对象初始化模型，场景中快速运动对象和慢速运动对象的存在以及暂时停止的运动对象的存在。我们在各种基准数据集上集中评估了我们提出的方法。实验结果表明，与之前的版本和本领域的最新算法相比，我们提出的方法具有较强的鲁棒性和优越性。