[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

说明书

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 from Incomplete 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：