[发明专利]基于改进GMM方法的设备运行状态云监控装置

说明书

技术领域：

本发明专利涉及基于改进GMM方法的设备运行状态云监控装置。

背景技术：

设计和实现基于SOA架构的并行计算框架完成不同的视频智能分析任务。该平台利用基于SOA架构的云计算系统实现海量视频智能分析，能够瞄准视频分析的巨大市场需求，弥补在该领域的空白，在未来云计算、云存储和大数据智能分析的市场竞争中占有一席之地。

发明内容:

1.    基于SOA架构的云视觉平台

面向服务的体系结构（service-oriented architecture，SOA）是一个组件模型，它将应用程序的不同功能单元（称为服务）通过这些服务之间定义良好的接口和契约联系起来。接口是采用中立的方式进行定义的，它应该独立于实现服务的硬件平台、操作系统和编程语言。这使得构建在各种这样的系统中的服务可以以一种统一和通用的方式进行交互。

采用如图1所示的基于SOA的云视觉框架。该框架以Service Bus为核心，包括数据采集模块、控制台模块、文件数据存储模块、图像识别模块和业务分析模块组成。其中数据采集模块分为终端控制器采集和终端控制器代理采集两种模式，以应对远程摄像机能否直接访问的情况；控制台模块用于处理API、定时调度、手工触发（UI）和失败作业处理等情况；文件数据存储基于HDFS架构，通过http方式实现文件读写。

1.    基于混合高斯模型背景建模的设备运行状态监测

高斯模型就是用高斯概率密度函数精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数形成的模型。对图像背景建立高斯模型的原理及过程：图像灰度直方图反映的是图像中某个灰度值出现的频次，也可以以为是图像灰度概率密度的估计。

混合高斯模型使用K个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型,用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点, 否则为前景点。通观整个高斯模型，它主要是有方差和均值两个参数决定，,对均值和方差的学习,采取不同的学习机制,将直接影响到模型的稳定性、精确性和收敛性。

混合高斯模型给出的概率密度函数实际上是几个高斯概率密度函数的加权和。每个 GMM 由 K个Gaussian 分布组成，每个 Gaussian 称为一个“Component”，这些 Component 线性加成在一起就组成了 GMM 的概率密度函数：

                （1）

根据上面的式子，如果我们要从 GMM 的分布中随机地取一个点的话，实际上可以分为两步：首先随机地在这 K个Component 之中选一个，每个Component被选中的概率实际上就是它的系数π_k，选中了Component 之后，再单独地考虑从这个 Component 的分布中选取一个点就可以了。假设现在有 N个数据点，我们认为这些数据点由某个GMM模型产生，现在我们要需要确定π_k、μ_k、σ_k这些参数。很自然的，我们想到利用最大似然估计来确定这些参数，GMM的似然函数如下：

         (2)

由于在对数函数里面又有加和，我们没法直接用求导解方程的办法直接求得最大值。为了解决这个问题，我们利用EM算法，分布迭代的求得最大值，并获得取得最大值时各个参数的值。具体可分为以下几步：

1）初始化参数 π_k,μ_k,Σ_k，一种流行的做法是先通过K-means算法对数据点进行聚类，根据聚类结果选取参数的初始值。

2）E step：估计数据由每个Component生成的概率（并不是每个Component被选中的概率）：对于每个数据 x_i来说，它由第 k个Component 生成的概率为

                      (3)

然而，由于式子里的π_k,μ_k,Σ_k正是需要我们估计的参数，我们采用迭代法。

3）M step：对式 (3) 进行求导，求出最大似然所对应的参数值：

                   (4)

            (5)