基于em算法的高斯混合模型實現(xiàn)車輛位移提取的方法
【技術領域】
[0001] 本發(fā)明涉及電子警察領域，尤其涉及電子警察提取車輛位移領域，具體是指一種 基于EM算法的高斯混合模型實現(xiàn)車輛位移提取的方法。
【背景技術】
[0002] 現(xiàn)有技術的電子警察實現(xiàn)車輛跟蹤中大量特征點的運動矢量統(tǒng)計往往十分不精 確，無法達到實際應用中的需求，甚至需要實際現(xiàn)場進行標定，十分不方便。
[0003] 高斯混合模型（Gaussian Mixture Models, GMM)是廣泛應用于各個工程技術領 域的一種統(tǒng)計學習模型，其核心是模型訓練和參數(shù)估計的算法。自從高斯混合模型提出以 來，已經(jīng)有大量各種不同的模型訓練和參數(shù)估計算法被研究和實現(xiàn)，其中大部分算法主要 是基于Dempster等人在Journal of Royal Statistical Society B期刊中發(fā)表的論文 "Maximum Likelihood from Incomplete Data Via the EM algorithm"中所提出的期望最 大化方法（Expectation-Maximization，EM) 〇

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是克服了上述現(xiàn)有技術的缺點，提供了一種能夠?qū)崿F(xiàn)從大量特征點 運動矢量中找到準確的車輛位移、大大提高運動矢量統(tǒng)計的精確度、避免了同類算法中、需 要實際現(xiàn)場標定的操作、具有更廣泛應用范圍的基于EM算法的高斯混合模型實現(xiàn)車輛位 移提取的方法。
[0005] 為了實現(xiàn)上述目的，本發(fā)明的基于EM算法的高斯混合模型實現(xiàn)車輛位移提取的 方法具有如下構成：
[0006] 該基于EM算法的高斯混合模型實現(xiàn)車輛位移提取的方法，其主要特點是，所述的 方法包括以下步驟：
[0007] (1)從視頻電子警察中獲取車輛的各個特征點；
[0008] (2)計算所述的車輛的各個特征點的運動矢量光流；
[0009] (3)根據(jù)所述的運動矢量光流建立基于EM算法的高斯混合模型；
[0010] (4)根據(jù)所述的高斯混合模型的系數(shù)求得最大概率的矢量點并作為車輛位移結 果。
[0011] 較佳地，所述的計算所述的車輛的各個特征點的運動矢量光流，具體為：
[0012] 計算所述的車輛的各個特征點的運動矢量光流（Ui, Vi) (i=0, 1，......，M);
[0013] 其中，Ui為第i個特征點在X軸方向的位移，Vi為第i個特征點在y軸方向的位 移，M為所述的視頻電子警察中車輛特征點的數(shù)量。
[0014] 較佳地，所述的根據(jù)所述的運動矢量光流建立基于EM算法的高斯混合模型，具體 為：
[0015] (31)根據(jù)所述的運動矢量光流初始化高斯分布并代入EM迭代方程；
[0016] (32)循環(huán)計算所述的EM迭代方程的E步和M步，直至收斂。
[0017] 更佳地，所述的初始化高斯分布具體為：
[0018] 初始化3個高斯分布，且所述的3個高斯分布的中心點分別為（20, 20) (0,0) (-20,-20)。
[0019] 更佳地，所述的EM迭代方程的E步為對于每一個特征點，按照如下公式進行計 算：
[0020] Qi(Zw) : =Ρ (ζω|Χ⑴：Θ);
[0021] 其中，Qi為每個類別的概率，ζω為每個特征點的隱含類別標簽，P為Z的條件概 率密度，x (1)為每個特征點的坐標，θ為每個特征點的最大評分參量。
[0022] 更進一步地，所述的EM迭代方程的M步為對于每一個特征點，按照如下公式進行 計算：
[0023]
【主權項】
1. 一種基于EM算法的高斯混合模型實現(xiàn)車輛位移提取的方法，其特征在于，所述的方 法包括以下步驟： (1) 從視頻電子警察中獲取車輛的各個特征點； (2) 計算所述的車輛的各個特征點的運動矢量光流； (3) 根據(jù)所述的運動矢量光流建立基于EM算法的高斯混合模型； (4) 根據(jù)所述的高斯混合模型的系數(shù)求得最大概率的矢量點并作為車輛位移結果。
2. 根據(jù)權利要求1所述的基于EM算法的高斯混合模型實現(xiàn)車輛位移提取的方法，其特 征在于，所述的計算所述的車輛的各個特征點的運動矢量光流，具體為： 計算所述的車輛的各個特征點的運動矢量光流（Ui, Vi) (i=0, 1，......，M); 其中，Ui為第i個特征點在x軸方向的位移，Vi為第i個特征點在y軸方向的位移，M 為所述的視頻電子警察中車輛特征點的數(shù)量。
3. 根據(jù)權利要求1所述的基于EM算法的高斯混合模型實現(xiàn)車輛位移提取的方法，其特 征在于，所述的根據(jù)所述的運動矢量光流建立基于EM算法的高斯混合模型，具體為： (31) 根據(jù)所述的運動矢量光流初始化高斯分布并代入EM迭代方程； (32) 循環(huán)計算所述的EM迭代方程的E步和M步，直至收斂。
4. 根據(jù)權利要求3所述的基于EM算法的高斯混合模型實現(xiàn)車輛位移提取的方法，其特 征在于，所述的初始化高斯分布具體為： 初始化3個高斯分布，且所述的3個高斯分布的中心點分別為（20, 20) (0,0) (-20,-20)。
5. 根據(jù)權利要求3所述的基于EM算法的高斯混合模型實現(xiàn)車輛位移提取的方法，其特 征在于，所述的EM迭代方程的E步為對于每一個特征點，按照如下公式進行計算： Qi(Zw) :=ρ(ζω |χ(1): Θ ); 其中，Qi為每個類別的概率，Ζω為每個特征點的隱含類別標簽，P為Z的條件概率密 度，x(1)為每個特征點的坐標，Θ為每個特征點的最大評分參量。
6. 根據(jù)權利要求5所述的基于EM算法的高斯混合模型實現(xiàn)車輛位移提取的方法，其特 征在于，所述的EM迭代方程的M步為對于每一個特征點，按照如下公式進行計算：
其中，Qi為每個類別的概率，ζω為每個特征點的隱含類別標簽，ρ為ζ的條件概率密 度，x(1)為每個特征點的坐標，Θ為每個特征點的最大評分參量。
【專利摘要】本發(fā)明涉及一種基于EM算法的高斯混合模型實現(xiàn)車輛位移提取的方法，其中包括從視頻電子警察中獲取車輛的各個特征點；計算所述的車輛的各個特征點的運動矢量光流；根據(jù)所述的運動矢量光流初始化高斯分布并代入EM迭代方程；循環(huán)計算所述的EM迭代方程的E步和M步，直至收斂；根據(jù)所述的高斯混合模型的系數(shù)求得最大概率的矢量點并作為車輛位移結果。采用該種結構的基于EM算法的高斯混合模型實現(xiàn)車輛位移提取的方法，可以實現(xiàn)從大量特征點運動矢量中找到準確的車輛位移，大大提高運動矢量統(tǒng)計的精確度，更準確地確定車輛位移，避免了同類算法中，需要實際現(xiàn)場標定的操作，具有更高的實用性，適用于大規(guī)模推廣應用。
【IPC分類】G06T7-20
【公開號】CN104658005
【申請?zhí)枴緾N201310597976
【發(fā)明人】蔣慧濤
【申請人】上海寶康電子控制工程有限公司
【公開日】2015年5月27日
【申請日】2013年11月22日