[发明专利]场景模型动态估计方法、数据分析方法及装置、电子设备

说明书

本发明提供一种场景模型动态估计方法，所述方法包括：(a)建立用于描述动态变化的场景的场景模型；(b)获取样本特征数据；(c)根据所述样本特征数据，对所述场景模型中初始时刻的模型参数进行初始估计，计算初始时刻的模型参数；(d)将所述初始时刻的模型参数确定为当前时刻的模型参数；(e)获取所述当前时刻的下一时刻的观测特征数据；(f)根据所述当前时刻的模型参数及所述下一时刻的观测特征数据，计算所述下一时刻的模型参数；(g)将所述下一时刻确定为当前时刻；(h)利用迭代方法执行(e)(f)(g)，直至计算完所述场景模型中每个时刻的模型参数。本发明还提供一种场景模型动态估计装置。本发明能提高运算速度，使结果更稳定，平滑。

技术领域

本发明设计数据处理技术领域，尤其涉及一种场景模型动态估计方法、数据分析方法及装置、电子设备。

背景技术

高斯混合模型(Gaussian Mixture Models，GMM)被广泛应用于模式识别、计算机视觉、机器学习、数据挖掘、生物信息学等不同领域。在这些领域里,它被用来完成诸如图像分割、聚类、概率密度函数的构建等任务。高斯混合模型由多个不同的高斯分量(Gaussiancomponents)组成。

通常人们用期望最大化(Expectation Maximization，EM)算法求解高斯混合模型中的参数。在有些动态变化的应用场景(对一段语音场景、对运动目标进行分析的场景等等)，高斯混合模型的混合系数(mixture coefficients)会随着时间变化，因此，急需一种解决动态变化的应用场景下的动态估计高斯混合模型参数的方法。

目前，动态估计高斯混合模型参数的方法包括基于滑动窗口和移动平均数的方法。滑动窗口方法的主要不足计算量较大而且冗余，对每一个时刻的混合系数的计算都需要使用一定长度为的时间段内的数据，期望最大化算法处理数据的时间复杂度为O(n²)。此外时刻t和时刻t+1所对应的滑动窗口有很大一部分是重叠的，因此这些重叠的数据被分别计算了多次。同时，滑动窗口方法对窗口之外的数据不做处理，如果窗口尺寸较小，会导致样本量不足，如果窗口尺寸较大，会违反混合系数的变化可以忽略不计的假设。另外，基于移动平均数的方法需要知道不同时刻的模型的高斯分量(Gaussian components)之间的对应关系，这对于传统的期望最大化方法来说很难做到。

发明内容

鉴于以上内容，有必要提供一种场景模型动态估计方法、数据分析方法及装置、电子设备，本发明能对动态变化的场景模型进行估计，并对动态变化的应用场景的数据进行准确的分析。

一种场景模型动态估计方法，所述方法包括：

(a)、建立用于描述动态变化的场景的场景模型；

(b)、获取样本特征数据；

(c)、根据所述样本特征数据，对所述场景模型中初始时刻的模型参数进行初始估计，计算初始时刻的模型参数；

(d)、将所述初始时刻的模型参数确定为当前时刻的模型参数；

(e)、获取所述当前时刻的下一时刻的观测特征数据；

(f)、根据所述当前时刻的模型参数及所述下一时刻的观测特征数据，计算所述下一时刻的模型参数；

(g)、将所述下一时刻确定为当前时刻；

(h)、利用迭代方法执行(e)、(f)、(g)，直至计算完所述场景模型中每个时刻的模型参数。