GMM-EM-混合高斯模型及其求解应用.pptx

高斯混合模型〔GMM〕

高斯混合模型〔GMM〕GMM的表GMM参数计算GMM应用举例

高斯混合模型〔GMM〕GMM的表达GMM参数计算GMM应用举例

高斯模型是一种参数化模型，用高斯密度函数估计目标的分布单高斯〔Single?Gaussian?Model〕高斯混合模型〔Gaussianmixturemodel〕????

高斯混合模型(GMM)公式表达：??参数空间：??

高斯混合模型〔GMM〕GMM的表达式GMM参数计算GMM应用举例

GMM参数学习????*注意：对于观察集{x}中的各个观察值xi，这里认为相互之间独立。

GMM参数学习对目标函数取对数：可以看出目标函数是和的对数，优化问题麻烦，简化的问题：某混合高斯分布一共有K个分布，对于每一个观察到的x，如果我们同时还知道它是属于K中哪一个分布的，那么可以直接求解出各个高斯分布的参数。因此引入隐变量Z,用于表示样本{x}输入哪一个高斯分布

GMM参数学习定义Zi={zi1,…,ziK},zik表示xi是否属于第k个高斯函数，zik只有两个取值0、1，即zik=1表示xi属于第k个高斯函数，zik=0表示xi不属于第k个高斯函数。那么，有：

GMM参数学习引入Z后从而得到注意：这里zik只有0和1的选择

GMM参数学习在简化问题中，我们实际的观察变量是{X,Z},根据一下两个公式可以得到注意：这里N是X={x}集合的大小。

GMM参数学习比较原问题和简化问题后者的ln直接作用于正态分布，使正态分布由乘的e指数形式变为加的简单形式

GMM参数学习为了最大化上式，由于zik，我们可以把上式按观察到的(x,z)分为K组，即按照所属的高斯函数进行分组注意：用到zik的取值，所以zik不会再出现在公式中。

GMM参数学习因为我们假定zik，因而最大化某一个高斯函数是可以数值求解的。假定Ck中含有Nk个样本，那么注意：这里X表示的是xi的联合，X表示的是仅属于Ck的样本的联合。

GMM参数学习对于单高斯函数?令上式等于0，那么有同理，可以得到

GMM参数学习在zik的情况下，我们求出了高斯函数的数值解：其中

GMM参数学习??

GMM参数学习引入隐变量Z后，我们得到了最大化目标函数的结果通过上面的公式，可以看出如果能够知道每一个zik的取值，那么就能求解出最大化目标函数的参数取值，但事实上给定一组观察数据{x}后，是无法获取zik的，因此我们将用zik的均值E{zik}来代替。

GMM参数学习进一步解释现在的问题转化为如何求解E{zik}？???E{zik}?EM算法

GMM参数学习?

GMM参数学习zik只与xi有关公式展开Zik只有0、1取值贝叶斯公式

GMM参数学习小结??M-stepE-step

GMM参数学习算法流程????

GMM参数学习GMM，K=2K-meams初始化原始数据迭代过程迭代过程迭代过程迭代结果

高斯混合模型〔GMM〕GMM的表达式GMM参数计算GMM应用举例

GMM应用:背景建模背景模型：对图像中的场景进行建模，从而进行运动检测。要点1：将图像中的每个图像单位(像素，块等)看成是从混合高斯分布样本中采样得到的随机变量；要点2：根据先验知识，每个像素点是前景或背景的先验概率可以估值；要点3：考虑到背景的多模态和复杂度，一般的混合高斯模型采用3-5个单高斯模型进行混合。

GMM应用:背景建模用K个高斯模型来表征图像中各个像素点的特征Ixy,t属于背景区域的概率密度：Ixy,t表示t时刻图像I中的xy位置的像素特征。模型主要步骤： 1，模型初始化；2，背景描述；3，前景判决；4，模型更新。

GMM应用:背景建模模型初始化〔1/3〕??

GMM应用:背景建模模型初始化〔2/3〕?

GMM应用:背景建模模型初始化〔3/3〕?

GMM应用:背景建模背景模型描述?排序后，用前B个高斯模型作为背景模型：T为选定的阈值。用于确定描述背景模型的高斯函数的个数

GMM应用:背景建模前景判决〔1/2〕判断当前像素，属于背景或前景?

GMM应用:背景建模前景判决〔2/2〕?前景判决：

GMM应用:背景建模模型更新〔1/2〕更新所有高斯模型的权重，并重新归一化：?更新模型，使其适应场景的变化

GMM应用:背景建模模型更新〔2/2〕??〔1〕更新前k-1个模型的权重：〔2〕重新初始化第K个模型：