[发明专利]基于EM算法的高斯混合模型实现车辆位移提取的方法

权利要求书

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：

θ:argmaxθΣiΣz(i)Qi(z(i))logp(x(i),z(i);θ)Qi(z(i));]]>

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。