动态估计高斯混合模型的混合系数的方法及计算机设备与流程

本发明涉及图像处理技术领域，具体涉及一种动态估计高斯混合模型的混合系数的方法及计算机设备。

背景技术：

高斯混合模型(Gaussian Mixture Models)是一种广泛应用的数学模型，对高斯混合模型参数估计的方法主要是期望最大化(Expectation Maximization)方法。在有些应用场景，高斯混合模型的混合系数(mixture coefficients)会随着时间变化,因此需要一种可以动态估计高斯混合模型参数的方法。

目前，基本的动态估计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π的计算都需要使用长度为w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)。此外相邻时刻t和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，如果窗口大小w较小，会导致样本量不足，如果窗口大小w较大，会违反π的变化可以忽略不计的假设。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。

技术实现要素：

本发明实施例提供了一种动态估计高斯混合模型的混合系数的方法及计算机设备，以期减少高斯混合模型混合系数的动态估计过程的运算时间，使得混合系数的估计结果更加平滑、稳定。

本发明实施例第一方面提供一种动态估计高斯混合模型的混合系数的方，所述高斯混合模型的数学表达式为所述高斯混合模型的数学表达式包括三个参数：均值μ_k、方差Σ_k以及混合系数π_k，所述方法包括：

基于第一样本利用期望最大化方法对于所述高斯混合模型的数学表达式中的均值μ_k、方差Σ_k以及混合系数π_k进行初始估计，得到和初始混合系数分布Dir(π|α₀)；

基于所述以及t时刻的观测数据x，确定混合系数π_k的共轭似然函数Multi(m|π)，其中，所述t时刻的观测数据不属于所述第一样本；

基于所述混合系数π_k的共轭似然函数Multi(m|π)，确定所述混合系数π_k在t时刻的后验概率为P(π|x)＝Dir(π|α+m)；

将所述混合系数π_k在t时刻的后验概率预测所述混合系数π_k在t+1时刻的先验概率。

可选的，所述根据述混合系数π_k在t时刻的后验概率预测所述混合系数π_k在t+1时刻的先验概率，包括：

基于所述混合系数π_k在t时刻的后验概率为P(π|x)＝Dir(π|α+m)，确定所述混合系数π_k在t时刻的松弛后的后验概率P’(π|x)＝Dir(δ(α+m)+b)，其中，0≤δ≤1表示历史数据所占的比重，b≤0表示混合系数π_k变化的不确定性；

将所述松弛后的后验概率P’(π|x)＝Dir(δ(α+m)+b)确定为所述混合系数π_k在t+1时刻的先验概率。

可选的，基于所述以及t时刻的观测数据x，确定混合系数π_k的共轭似然函数Multi(m|π)，包括：

基于所述以及初始混合系数分布Dir(π|α₀)，确定t时刻的观测数据x对应的隐含变量z的期望值E[Z|x,α]；

基于所述隐含变量z的期望值E[Z|x,α]，确定混合系数π_k的共轭似然函数Multi(m|π)的参数m_k；

其中，基于如下公式计算混合系数π_k的共轭似然函数Multi(m|π)的参数m_k

p(z|x,α)＝∫p(z|x,π)p(z|α)dπ

可选的，所述基于所述以及t时刻的观测数据x，确定混合系数π_k的共轭似然函数Multi(m|π)的具体实现方式为：

针对t时刻的观测数据x进行采样，以得到第二样本；

基于所述以及初始混合系数分布Dir(π|α₀)，确定所述第二样本对应的隐含变量z的期望值E[Z|x,α]；

基于所述隐含变量z的期望值E[Z|x,α]，确定混合系数π_k的共轭似然函数Multi(m|π)的参数m_k；

其中，基于如下公式计算混合系数π_k的共轭似然函数Multi(m|π)的参数m_k

p(z|x,α)＝∫p(z|x,π)p(z|α)dπ

可选的，所述基于第一样本利用期望最大化方法对于所述高斯混合模型的数学表达式中的均值μ_k、方差Σ_k以及混合系数π_k进行初始估计，得到和初始混合系数分布Dir(π|α₀)，包括：

所述基于第一样本利用期望最大化方法对于所述高斯混合模型的数学表达式中的均值μ_k、方差Σ进行参数估计，得到

利用狄利克雷分布对混合系数π_k进行建模，以得到初始混合系数分布Dir(π|α₀)，其中，所述混合系数π_k满足0≤π_k≤1。

本发明实施例第二方面提供一种计算机设备，其特征在于，包括：

初始估计单元，用于基于第一样本利用期望最大化方法对于所述高斯混合模型的数学表达式中的均值μ_k、方差Σ_k以及混合系数π_k进行初始估计，得到和初始混合系数分布Dir(π|α₀)，其中，所述高斯混合模型的数学表达式为所述高斯混合模型的数学表达式包括三个参数：均值μ_k、方差Σ_k以及混合系数π_k，；

共轭似然函数确定单元，用于基于所述以及t时刻的观测数据x，确定混合系数π_k的共轭似然函数Multi(m|π)，其中，所述t时刻的观测数据不属于所述第一样本；

后验概率确定单元，用于基于所述混合系数π_k的共轭似然函数Multi(m|π)，确定所述混合系数π_k在t时刻的后验概率为P(π|x)＝Dir(π|α+m)；

先验概率确定单元，用于根据述混合系数π_k在t时刻的后验概率预测所述混合系数π_k在t+1时刻的先验概率。

可选的，所述先验概率确定单元，具体用于基于所述混合系数π_k在t时刻的后验概率为P(π|x)＝Dir(π|α+m)，确定所述混合系数π_k在t时刻的松弛后的后验概率P’(π|x)＝Dir(δ(α+m)+b)，其中，0≤δ≤1表示历史数据所占的比重，b≤0表示混合系数π_k变化的不确定性；将所述松弛后的后验概率P’(π|x)＝Dir(δ(α+m)+b)确定为所述混合系数π_k在t+1时刻的先验概率。

可选的，所述共轭似然函数确定单元，具体用于基于所述以及初始混合系数分布Dir(π|α₀)，确定t时刻的观测数据x对应的隐含变量z的期望值E[Z|x,α]；

基于所述隐含变量z的期望值E[Z|x,α]，确定混合系数π_k的共轭似然函数Multi(m|π)的参数m_k；其中，基于如下公式计算混合系数π的共轭似然函数Multi(m|π)的参数m_k

p(z|x,α)＝∫p(z|x,π)p(z|α)dπ

可选的，所述共轭似然函数确定单元，具体用于针对t时刻的观测数据x进行采样，以得到第二样本；基于所述以及初始混合系数分布Dir(π|α₀)，确定所述第二样本对应的隐含变量z的期望值E[Z|x,α]；基于所述隐含变量z的期望值E[Z|x,α]，确定混合系数π_k的共轭似然函数Multi(m|π)的参数m；其中，基于如下公式计算混合系数π_k的共轭似然函数Multi(m|π)的参数m_k

p(z|x,α)＝∫p(z|x,π)p(z|α)dπ

可选的，所述初始估计单元，具体用于所述基于第一样本利用期望最大化方法对于所述高斯混合模型的数学表达式中的均值μ_k、方差Σ进行参数估计，得到利用狄利克雷分布对混合系数π_k进行建模，以得到初始混合系数分布Dir(π|α₀)，其中，所述混合系数π_k满足0≤π_k≤1。

可以看出，本发明实施例技术方案中，首先，计算机设备对足够数量的第一样本进行初始估计，以得到高斯混合模型的数学表达式中的参数和初始混合系数分布Dir(π|α₀)，其次，基于所述以及新增的t时刻的观测数据x，确定混合系数π_k的共轭似然函数Multi(m|π)，然后，基于所述混合系数π_k的共轭似然函数Multi(m|π)，确定所述混合系数π_k在t时刻的后验概率为P(π|x)＝Dir(π|α+m)，最终，根据述混合系数π_k在t时刻的后验概率预测所述混合系数π_k在t+1时刻的先验概率。通过实施本发明实施例能够实现在开始时，系统通过足够数量的样本获得一个初始估计，作为当前估计，此后，对新增数据，系统结合当前估计，周期性进行估计更新。因此，相对于现有技术中的滑动窗口的方法，一方面，本发明提供的动态估计高斯混合模型的混合系数的方法中计算量减少一个数量级，有利于减少高斯混合模型混合系数的动态估计过程的运算时间，另一方面，本发明提供的动态估计高斯混合模型的混合系数的方法中每一时刻的结果都是基于上一时刻的结果做的修正，因此使得混合系数的估计结果更加平滑、稳定。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明第一实施例提供的一种动态估计高斯混合模型的混合系数的方法的流程示意图；

图2是本发明第二实施例提供的一种计算机设备的结构示意图；

图3是本发明第二实施例提供的一种计算机设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

请参阅图1，图1是本发明第一实施例提供的一种动态估计高斯混合模型的混合系数的方法的流程示意图，如图1所示，本发明实施例中的动态估计高斯混合模型的混合系数的方法包括以下步骤：

S101、基于第一样本利用期望最大化方法对于所述高斯混合模型的数学表达式中的均值μ_k、方差Σ_k以及混合系数π_k进行初始估计，得到和初始混合系数分布Dir(π|α₀)。

其中，所述高斯混合模型的数学表达式可以表示为所述高斯混合模型的数学表达式包括三个参数：均值μ_k、方差Σ_k以及混合系数π_k。

其中，所述基于第一样本利用期望最大化方法对于所述高斯混合模型的数学表达式中的均值μ_k、方差Σ_k以及混合系数π_k进行初始估计，得到和初始混合系数分布Dir(π|α₀)的具体实现方式可以是：

所述基于第一样本利用期望最大化方法对于所述高斯混合模型的数学表达式中的均值μ_k、方差Σ进行参数估计，得到

利用狄利克雷分布对混合系数π_k进行建模，以得到初始混合系数分布Dir(π|α₀)，其中，所述混合系数π_k满足0≤π_k≤1。

S102、基于所述以及t时刻的观测数据x，确定混合系数π_k的共轭似然函数Multi(m|π)，其中，所述t时刻的观测数据不属于所述第一样本。

其中，基于所述以及t时刻的观测数据x，确定混合系数π_k的共轭似然函数Multi(m|π)的具体实现方式可以是：

基于所述以及初始混合系数分布Dir(π|α₀)，确定t时刻的观测数据x对应的隐含变量z的期望值E[Z|x,α]；

基于所述隐含变量z的期望值E[Z|x,α]，确定混合系数π_k的共轭似然函数Multi(m|π)的参数m_k；

基于如下公式计算混合系数π_k的共轭似然函数Multi(m|π)的参数m_k

p(z|x,α)＝∫p(z|x,π)p(z|α)dπ

其中，基于所述以及t时刻的观测数据x，确定混合系数π_k的共轭似然函数Multi(m|π)的具体实现方式还可以是：

针对t时刻的观测数据x进行采样，以得到第二样本；

基于所述以及初始混合系数分布Dir(π|α₀)，确定所述第二样本对应的隐含变量z的期望值E[Z|x,α]；

基于所述隐含变量z的期望值E[Z|x,α]，确定混合系数π_k的共轭似然函数Multi(m|π)的参数m_k；

基于如下公式计算混合系数π_k的共轭似然函数Multi(m|π)的参数m_k

p(z|x,α)＝∫p(z|x,π)p(z|α)dπ

S103、基于所述混合系数π_k的共轭似然函数Multi(m|π)，确定所述混合系数π_k在t时刻的后验概率为P(π|x)＝Dir(π|α+m)。

S104、根据所述混合系数π_k在t时刻的后验概率预测所述混合系数π_k在t+1时刻的先验概率。

其中，所述根据述混合系数π_k在t时刻的后验概率预测所述混合系数π_k在t+1时刻的先验概率的具体实现方式可以是：

基于所述混合系数π_k在t时刻的后验概率为P(π|x)＝Dir(π|α+m)，确定所述混合系数π_k在t时刻的松弛后的后验概率P’(π|x)＝Dir(δ(α+m)+b)，其中，0≤δ≤1表示历史数据所占的比重，b≤0表示混合系数π_k变化的不确定性；

将所述松弛后的后验概率P’(π|x)＝Dir(δ(α+m)+b)确定为所述混合系数π_k在t+1时刻的先验概率。

可以看出，本发明实施例技术方案中，首先，计算机设备对足够数量的第一样本进行初始估计，以得到高斯混合模型的数学表达式中的参数和初始混合系数分布Dir(π|α₀)，其次，基于所述以及新增的t时刻的观测数据x，确定混合系数π_k的共轭似然函数Multi(m|π)，然后，基于所述混合系数π_k的共轭似然函数Multi(m|π)，确定所述混合系数π_k在t时刻的后验概率为P(π|x)＝Dir(π|α+m)，最终，根据述混合系数π_k在t时刻的后验概率预测所述混合系数π_k在t+1时刻的先验概率。通过实施本发明实施例能够实现在开始时，系统通过足够数量的样本获得一个初始估计，作为当前估计，此后，对新增数据，系统结合当前估计，周期性进行估计更新。因此，相对于现有技术中的滑动窗口的方法，一方面，本发明提供的动态估计高斯混合模型的混合系数的方法中计算量减少一个数量级，有利于减少高斯混合模型混合系数的动态估计过程的运算时间，另一方面，本发明提供的动态估计高斯混合模型的混合系数的方法中每一时刻的结果都是基于上一时刻的结果做的修正，因此使得混合系数的估计结果更加平滑、稳定。

下面为本发明装置实施例，本发明装置实施例用于执行本发明方法实施例一实现的方法，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例一。

请参阅图2，图2是本发明第二实施例提供的一种计算机设备的结构示意图，如图2所示，本发明实施例中的计算机设备包括以下单元：

初始估计单元201，用于基于第一样本利用期望最大化方法对于所述高斯混合模型的数学表达式中的均值μ_k、方差Σ_k以及混合系数π_k进行初始估计，得到和初始混合系数分布Dir(π|α₀)，其中，所述高斯混合模型的数学表达式为所述高斯混合模型的数学表达式包括三个参数：均值μ_k、方差Σ_k以及混合系数π_k，；

共轭似然函数确定单元202，用于基于所述以及t时刻的观测数据x，确定混合系数π_k的共轭似然函数Multi(m|π)，其中，所述t时刻的观测数据不属于所述第一样本；

后验概率确定单元203，用于基于所述混合系数π_k的共轭似然函数Multi(m|π)，确定所述混合系数π_k在t时刻的后验概率为P(π|x)＝Dir(π|α+m)；

先验概率确定单元204，用于根据述混合系数π_k在t时刻的后验概率预测所述混合系数π_k在t+1时刻的先验概率。

可选的，所述先验概率确定单元204，具体用于基于所述混合系数π_k在t时刻的后验概率为P(π|x)＝Dir(π|α+m)，确定所述混合系数π_k在t时刻的松弛后的后验概率P’(π|x)＝Dir(δ(α+m)+b)，其中，0≤δ≤1表示历史数据所占的比重，b≤0表示混合系数π_k变化的不确定性；将所述松弛后的后验概率P’(π|x)＝Dir(δ(α+m)+b)确定为所述混合系数π_k在t+1时刻的先验概率。

可选的，所述共轭似然函数确定单元202，具体用于基于所述以及初始混合系数分布Dir(π|α₀)，确定t时刻的观测数据x对应的隐含变量z的期望值E[Z|x,α]；

基于所述隐含变量z的期望值E[Z|x,α]，确定混合系数π_k的共轭似然函数Multi(m|π)的参数m；

其中，可以基于如下公式计算混合系数π_k的共轭似然函数Multi(m|π)的参数m_k

p(z|x,α)＝∫p(z|x,π)p(z|α)dπ

可选的，所述共轭似然函数确定单元202，具体用于针对t时刻的观测数据x进行采样，以得到第二样本；基于所述以及初始混合系数分布Dir(π|α₀)，确定所述第二样本对应的隐含变量z的期望值E[Z|x,α]；基于所述隐含变量z的期望值E[Z|x,α]，确定混合系数π_k的共轭似然函数Multi(m|π)的参数m_k；其中，基于如下公式计算混合系数π_k的共轭似然函数Multi(m|π)的参数m_k

p(z|x,α)＝∫p(z|x,π)p(z|α)dπ

可选的，所述初始估计单元201，具体用于所述基于第一样本利用期望最大化方法对于所述高斯混合模型的数学表达式中的均值μ_k、方差Σ进行参数估计，得到利用狄利克雷分布对混合系数π_k进行建模，以得到初始混合系数分布Dir(π|α₀)，其中，所述混合系数π_k满足0≤π_k≤1。

具体的，上述各个单元的具体实现可参考图1对应实施例中相关步骤的描述，在此不赘述。

可以看出，本发明实施例技术方案中，首先，计算机设备对足够数量的第一样本进行初始估计，以得到高斯混合模型的数学表达式中的参数和初始混合系数分布Dir(π|α₀)，其次，基于所述以及新增的t时刻的观测数据x，确定混合系数π_k的共轭似然函数Multi(m|π)，然后，基于所述混合系数π_k的共轭似然函数Multi(m|π)，确定所述混合系数π在t时刻的后验概率为P(π|x)＝Dir(π|α+m)，最终，根据述混合系数π_k在t时刻的后验概率预测所述混合系数π_k在t+1时刻的先验概率。通过实施本发明实施例能够实现在开始时，系统通过足够数量的样本获得一个初始估计，作为当前估计，此后，对新增数据，系统结合当前估计，周期性进行估计更新。因此，相对于现有技术中的滑动窗口的方法，一方面，本发明提供的动态估计高斯混合模型的混合系数的方法中计算量减少一个数量级，有利于减少高斯混合模型混合系数的动态估计过程的运算时间，另一方面，本发明提供的动态估计高斯混合模型的混合系数的方法中每一时刻的结果都是基于上一时刻的结果做的修正，因此使得混合系数的估计结果更加平滑、稳定。

请参考图3，图3是本发明第三实施例提供的一种终端的结构示意图。如图3所示，本发明实施例中的终端包括：至少一个处理器301，例如CPU，至少一个接收器303，至少一个存储器304，至少一个发送器305，至少一个通信总线302。其中，通信总线302用于实现这些组件之间的连接通信。其中，本发明实施例中装置的接收器303和发送器305可以是有线发送端口，也可以为无线设备，例如包括天线装置，用于与其他节点设备进行信令或数据的通信。存储器304可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器304可选的还可以是至少一个位于远离前述处理器301的存储装置。存储器304中存储一组程序代码，且所述处理器301可通过通信总线302，调用存储器304中存储的代码以执行相关的功能。

所述处理器301，用于基于第一样本利用期望最大化方法对于所述高斯混合模型的数学表达式中的均值μ_k、方差Σ_k以及混合系数π_k进行初始估计，得到和初始混合系数分布Dir(π|α₀)，其中，所述高斯混合模型的数学表达式为所述高斯混合模型的数学表达式包括三个参数：均值μ_k、方差Σ_k以及混合系数π_k，；

基于所述以及t时刻的观测数据x，确定混合系数π_k的共轭似然函数Multi(m|π)，其中，所述t时刻的观测数据不属于所述第一样本；

基于所述混合系数π_k的共轭似然函数Multi(m|π)，确定所述混合系数π_k在t时刻的后验概率为P(π|x)＝Dir(π|α+m)；

根据述混合系数π_k在t时刻的后验概率预测所述混合系数π在t+1时刻的先验概率。

可选的，所述处理器301，在用于根据述混合系数π_k在t时刻的后验概率预测所述混合系数π_k在t+1时刻的先验概率时，具体用于基于所述混合系数π_k在t时刻的后验概率为P(π|x)＝Dir(π|α+m)，确定所述混合系数π_k在t时刻的松弛后的后验概率P’(π|x)＝Dir(δ(α+m)+b)，其中，0≤δ≤1表示历史数据所占的比重，b≤0表示混合系数π_k变化的不确定性；

将所述松弛后的后验概率P’(π|x)＝Dir(δ(α+m)+b)确定为所述混合系数π_k在t+1时刻的先验概率。

可选的，所述处理器301基于所述以及t时刻的观测数据x，确定混合系数π_k的共轭似然函数Multi(m|π)的具体实现方式为：

基于所述以及初始混合系数分布Dir(π|α₀)，确定t时刻的观测数据x对应的隐含变量z的期望值E[Z|x,α]；

基于所述隐含变量z的期望值E[Z|x,α]，确定混合系数π_k的共轭似然函数Multi(m|π)的参数m_k；

其中，基于如下公式计算混合系数π_k的共轭似然函数Multi(m|π)的参数m_k

p(z|x,α)＝∫p(z|x,π)p(z|α)dπ

可选的，所述处理器301基于所述以及t时刻的观测数据x，确定混合系数π_k的共轭似然函数Multi(m|π)的具体实现方式为：

针对t时刻的观测数据x进行采样，以得到第二样本；

基于所述以及初始混合系数分布Dir(π|α₀)，确定所述第二样本对应的隐含变量z的期望值E[Z|x,α]；

基于所述隐含变量z的期望值E[Z|x,α]，确定混合系数π_k的共轭似然函数Multi(m|π)的参数m_k；

其中，基于如下公式计算混合系数π_k的共轭似然函数Multi(m|π)的参数m_k

p(z|x,α)＝∫p(z|x,π)p(z|α)dπ

可选的，所述处理器301基于第一样本利用期望最大化方法对于所述高斯混合模型的数学表达式中的均值μ_k、方差Σ_k以及混合系数π_K进行初始估计，得到和初始混合系数分布Dir(π|α₀)的具体实现方式为：

所述基于第一样本利用期望最大化方法对于所述高斯混合模型的数学表达式中的均值μ_k、方差Σ进行参数估计，得到

利用狄利克雷分布对混合系数π_k进行建模，以得到初始混合系数分布Dir(π|α₀)，其中，所述混合系数π_k满足0≤π_k≤1。

具体的，上述各个单元的具体实现可参考图1对应实施例中相关步骤的描述，在此不赘述。

可以看出，本发明实施例技术方案中，首先，计算机设备对足够数量的第一样本进行初始估计，以得到高斯混合模型的数学表达式中的参数和初始混合系数分布Dir(π|α₀)，其次，基于所述以及新增的t时刻的观测数据x，确定混合系数π_k的共轭似然函数Multi(m|π)，然后，基于所述混合系数π_k的共轭似然函数Multi(m|π)，确定所述混合系数π在t时刻的后验概率为P(π|x)＝Dir(π|α+m)，最终，根据述混合系数π_k在t时刻的后验概率预测所述混合系数π_k在t+1时刻的先验概率。通过实施本发明实施例能够实现在开始时，系统通过足够数量的样本获得一个初始估计，作为当前估计，此后，对新增数据，系统结合当前估计，周期性进行估计更新。因此，相对于现有技术中的滑动窗口的方法，一方面，本发明提供的动态估计高斯混合模型的混合系数的方法中计算量减少一个数量级，有利于减少高斯混合模型混合系数的动态估计过程的运算时间，另一方面，本发明提供的动态估计高斯混合模型的混合系数的方法中每一时刻的结果都是基于上一时刻的结果做的修正，因此使得混合系数的估计结果更加平滑、稳定。

本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的任何一种服务进程的监控方法的部分或全部步骤。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和单元并不一定是本发明所必须的。

本发明实施例的方法的步骤顺序可以根据实际需要进行调整、合并或删减。本发明实施例的终端的单元可以根据实际需要进行整合、进一步划分或删减。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例是示意性的，例如所述单元的划分，为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。

以上对本发明实施例所提供的一种动态估计高斯混合模型的混合系数的方法及计算机设备进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。