CN104658005A - 基于em算法的高斯混合模型实现车辆位移提取的方法 - Google Patents

Abstract

本发明涉及一种基于EM算法的高斯混合模型实现车辆位移提取的方法，其中包括从视频电子警察中获取车辆的各个特征点；计算所述的车辆的各个特征点的运动矢量光流；根据所述的运动矢量光流初始化高斯分布并代入EM迭代方程；循环计算所述的EM迭代方程的E步和M步，直至收敛；根据所述的高斯混合模型的系数求得最大概率的矢量点并作为车辆位移结果。采用该种结构的基于EM算法的高斯混合模型实现车辆位移提取的方法，可以实现从大量特征点运动矢量中找到准确的车辆位移，大大提高运动矢量统计的精确度，更准确地确定车辆位移，避免了同类算法中，需要实际现场标定的操作，具有更高的实用性，适用于大规模推广应用。

Description

基于EM算法的高斯混合模型实现车辆位移提取的方法

技术领域

本发明涉及电子警察领域，尤其涉及电子警察提取车辆位移领域，具体是指一种基于EM算法的高斯混合模型实现车辆位移提取的方法。

背景技术

现有技术的电子警察实现车辆跟踪中大量特征点的运动矢量统计往往十分不精确，无法达到实际应用中的需求，甚至需要实际现场进行标定，十分不方便。

高斯混合模型(Gaussian Mixture Models，GMM)是广泛应用于各个工程技术领域的一种统计学习模型，其核心是模型训练和参数估计的算法。自从高斯混合模型提出以来，已经有大量各种不同的模型训练和参数估计算法被研究和实现，其中大部分算法主要是基于Dempster等人在Journal of Royal Statistical Society B期刊中发表的论文“Maximum Likelihood fromIncomplete Data Via the EM algorithm”中所提出的期望最大化方法(Expectation-Maximization，EM)。

发明内容

本发明的目的是克服了上述现有技术的缺点，提供了一种能够实现从大量特征点运动矢量中找到准确的车辆位移、大大提高运动矢量统计的精确度、避免了同类算法中、需要实际现场标定的操作、具有更广泛应用范围的基于EM算法的高斯混合模型实现车辆位移提取的方法。

为了实现上述目的，本发明的基于EM算法的高斯混合模型实现车辆位移提取的方法具有如下构成：

该基于EM算法的高斯混合模型实现车辆位移提取的方法，其主要特点是，所述的方法包括以下步骤：

（1）从视频电子警察中获取车辆的各个特征点；

（2）计算所述的车辆的各个特征点的运动矢量光流；

（3）根据所述的运动矢量光流建立基于EM算法的高斯混合模型；

（4）根据所述的高斯混合模型的系数求得最大概率的矢量点并作为车辆位移结果。

较佳地，所述的计算所述的车辆的各个特征点的运动矢量光流，具体为：

计算所述的车辆的各个特征点的运动矢量光流（u_i,v_i）（i=0,1,……,M）；

其中，u_i为第i个特征点在x轴方向的位移，v_i为第i个特征点在y轴方向的位移，M为所述的视频电子警察中车辆特征点的数量。

较佳地，所述的根据所述的运动矢量光流建立基于EM算法的高斯混合模型，具体为：

（31）根据所述的运动矢量光流初始化高斯分布并代入EM迭代方程；

（32）循环计算所述的EM迭代方程的E步和M步，直至收敛。

更佳地，所述的初始化高斯分布具体为：

初始化3个高斯分布，且所述的3个高斯分布的中心点分别为（20,20）（0,0）（-20,-20）。

更佳地，所述的EM迭代方程的E步为对于每一个特征点，按照如下公式进行计算：

Q_i(z⁽ⁱ⁾):=p(z⁽ⁱ⁾|x⁽ⁱ⁾:θ)；

其中，Q_i为每个类别的概率，z⁽ⁱ⁾为每个特征点的隐含类别标签，p为z的条件概率密度，x⁽ⁱ⁾为每个特征点的坐标，θ为每个特征点的最大评分参量。

更进一步地，所述的EM迭代方程的M步为对于每一个特征点，按照如下公式进行计算：

$\mathrm{\θ}:\arg \underset{\mathrm{\θ}}{\max }\underset{i}{\mathrm{\Σ}}\underset{z^{\left(i\right)}}{\mathrm{\Σ}}{Q}_i\left(z^{\left(i\right)}\right)\log \frac{p(x^{\left(i\right)},z^{\left(i\right)};\mathrm{\θ})}{Q_i\left(z^{\left(i\right)}\right)};$

其中，Q_i为每个类别的概率，z⁽ⁱ⁾为每个特征点的隐含类别标签，p为z的条件概率密度，x⁽ⁱ⁾为每个特征点的坐标，θ为每个特征点的最大评分参量。

采用了该发明中的基于EM算法的高斯混合模型实现车辆位移提取的方法，从大量特征点运动矢量中找到准确的车辆位移，大大提高运动矢量统计的精确度，避免了同类算法中，需要实际现场标定的操作，具有更高的实用性，适用于大规模推广应用。

附图说明

图1为本发明的基于EM算法的高斯混合模型实现车辆位移提取的方法的流程图。

具体实施方式

为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。

本发明中对于点跟踪方式的车辆跟踪，会得到大量点的运动矢量，通过对实际场景的标定，将每个点的运动矢量转化为统一尺度的位移，并通过平均得到最终结果。

如图1所示为本发明的基于EM算法的高斯混合模型实现车辆位移提取的方法的流程图。

（1）从视频电子警察中获取车辆的各个特征点。

（2）计算视频电警中车辆各个特征点的运动矢量光流(u_i,v_i)(i=0,1......M)。

其中，u_i为第i个特征点在x轴方向的位移，v_i为第i个特征点在y轴方向的位移，M为所述的视频电子警察中车辆特征点的数量。

（31）对于步骤2得到的运动矢量光流，初始化N个高斯分布，在实际计算中，N一般设为3个，并且3个高斯分布的中心点分别为(20,20)，(0,0)，(-20,-20)代入EM迭代方程。

（32）循环重复E步和M步，直至收敛：

(E步)对于每一个i，计算公式如下：

Q_i(z⁽ⁱ⁾):=p(z⁽ⁱ⁾|x⁽ⁱ⁾:θ)；

其中，Q_i为每个类别的概率，z⁽ⁱ⁾为每个特征点的隐含类别标签，p为z的条件概率密度，x⁽ⁱ⁾为每个特征点的坐标，θ为每个特征点的最大评分参量。

(M步)计算公式如下：

$\mathrm{\θ}:\arg \underset{\mathrm{\θ}}{\max }\underset{i}{\mathrm{\Σ}}\underset{z^{\left(i\right)}}{\mathrm{\Σ}}{Q}_i\left(z^{\left(i\right)}\right)\log \frac{p(x^{\left(i\right)},z^{\left(i\right)};\mathrm{\θ})}{Q_i\left(z^{\left(i\right)}\right)};$

其中，Q_i为每个类别的概率，z⁽ⁱ⁾为每个特征点的隐含类别标签，p为z的条件概率密度，x⁽ⁱ⁾为每个特征点的坐标，θ为每个特征点的最大评分参量。

（4）经过步骤3得到的高斯混合模型系数，求得最大概率的矢量点作为求得的车辆位移结果。

采用了该发明中的基于EM算法的高斯混合模型实现车辆位移提取的方法，从大量特征点运动矢量中找到准确的车辆位移，大大提高运动矢量统计的精确度，避免了同类算法中，需要实际现场标定的操作，具有更高的实用性，适用于大规模推广应用。

在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。

Claims (6)

1.一种基于EM算法的高斯混合模型实现车辆位移提取的方法，其特征在于，所述的方法包括以下步骤：

（1）从视频电子警察中获取车辆的各个特征点；

（2）计算所述的车辆的各个特征点的运动矢量光流；

（3）根据所述的运动矢量光流建立基于EM算法的高斯混合模型；

（4）根据所述的高斯混合模型的系数求得最大概率的矢量点并作为车辆位移结果。

2.根据权利要求1所述的基于EM算法的高斯混合模型实现车辆位移提取的方法，其特征在于，所述的计算所述的车辆的各个特征点的运动矢量光流，具体为：

计算所述的车辆的各个特征点的运动矢量光流（u_i,v_i）（i=0,1,……,M）；

其中，u_i为第i个特征点在x轴方向的位移，v_i为第i个特征点在y轴方向的位移，M为所述的视频电子警察中车辆特征点的数量。

3.根据权利要求1所述的基于EM算法的高斯混合模型实现车辆位移提取的方法，其特征在于，所述的根据所述的运动矢量光流建立基于EM算法的高斯混合模型，具体为：

（31）根据所述的运动矢量光流初始化高斯分布并代入EM迭代方程；

（32）循环计算所述的EM迭代方程的E步和M步，直至收敛。

4.根据权利要求3所述的基于EM算法的高斯混合模型实现车辆位移提取的方法，其特征在于，所述的初始化高斯分布具体为：

初始化3个高斯分布，且所述的3个高斯分布的中心点分别为（20,20）（0,0）（-20,-20）。

5.根据权利要求3所述的基于EM算法的高斯混合模型实现车辆位移提取的方法，其特征在于，所述的EM迭代方程的E步为对于每一个特征点，按照如下公式进行计算：

Q_i(z⁽ⁱ⁾):=p(z⁽ⁱ⁾|x⁽ⁱ⁾:θ)；

其中，Q_i为每个类别的概率，z⁽ⁱ⁾为每个特征点的隐含类别标签，p为z的条件概率密度，x⁽ⁱ⁾为每个特征点的坐标，θ为每个特征点的最大评分参量。

6.根据权利要求5所述的基于EM算法的高斯混合模型实现车辆位移提取的方法，其特征在于，所述的EM迭代方程的M步为对于每一个特征点，按照如下公式进行计算：

$\mathrm{\θ}:\arg \underset{\mathrm{\θ}}{\max }\underset{i}{\mathrm{\Σ}}\underset{z^{\left(i\right)}}{\mathrm{\Σ}}{Q}_i\left(z^{\left(i\right)}\right)\log \frac{p(x^{\left(i\right)},z^{\left(i\right)};\mathrm{\θ})}{Q_i\left(z^{\left(i\right)}\right)};$

其中，Q_i为每个类别的概率，z⁽ⁱ⁾为每个特征点的隐含类别标签，p为z的条件概率密度，x⁽ⁱ⁾为每个特征点的坐标，θ为每个特征点的最大评分参量。