1： frametwo:基于帧间差分和隔帧差分后求并集后，运用形态学闭合，填充获得目标 2： imhist1:Ostu法阈值分割和平均值法阈值分割 imhist2:迭代法阈值分割 watershed1：分水岭算法 Untitled3:基本双峰法与Ostus法结合 Untitled4:改进后的双峰法与Ostus结合 frametwo1+thresh.m：改进的双峰法和frametwo检测（效果不行） 混合高斯： beijing1:中值法求背景； beijing2：帧差法求背景图像 mxgaosi:混合高斯 三帧差分法与单高斯结合的目标检测： Untitled; Untitled2; Untitled3; 单高斯: danguassian3：单高斯建模

针对传统鲁棒高斯混合模型EM算法存在模型成分参数难以精确获取最优解以及收敛速度随样本数量的增加而快速降低等问题，提出了一种基于鲁棒高斯混合模型的加速EM算法。该算法采用隐含参量信息熵原理对高斯模型分量个数进行挑选，以及使用Aitken加速方法减少算法的迭代次数，当接近最优解时，EM步长的变化极为缓慢，这时使用Broyden对称秩1校正公式进行校正，使算法快速收敛，从而能够在很少的迭代次数内精确获取高斯混合模型的模型成分数。该算法通过与传统鲁棒EM算法和无监督的EM算法的聚类结果进行比较，实验证明该算法对初始值的设定并不敏感（成分数c无须预先设定），并且能够降低算法运算时间，提高聚类模型成分数（类簇）的正确率。

在智能交通控制系统，军事数字化战场，辅助驾驶系统中，实时，精确，可靠的移动对象不确定性轨迹预测具有极高的应用价值，智能轨迹预测不仅可以提供精准的基于位置的服务，而且可以提前监测和预判交通状况，进而推荐最佳路线，已经成为了移动对象数据库研究的热点。GMTP

PDF电子书《GMM：高斯混合模型》，和大家分享

这篇文章比较详细的推到了GMM模型中的迭代公式的由来

为满足复杂场景下视频烟雾检测的实时性、准确率等需求,提出了一种将高斯混合模型与卷积神经网络相结合的视频烟雾检测方法。基于高斯混合模型的背景减除法和形态学方法实现对视频图像的运动目标提取;针对烟雾检测效率和网络过拟合等问题,设计用于视频烟雾检测的卷积神经网络模型;通过烟雾正负样本图像对卷积神经网络进行训练和测试。在此基础上,合理地设定运动目标网络模型的输出概率的阈值,有效去除训练样本中没有涵盖的非烟雾干扰项,降低误报率。实验结果表明,该方法是可行且有效的,其视频烟雾检测准确率达到97.5%,平均烟雾报警响应时间为4.58 s,可满足复杂场景下烟雾的实时检测要求。

高斯混合模型的期望最大化算法的实现， 考虑 20 个点的数据并使用 EM 算法使用两个高斯分布对该数据进行建模

训练高斯混合模型的程序，尽管此类代码较多，但本程序经过改写优化后，很大程度上避免了普通方法中局部最优的问题。

高斯混合模型（Gaussian Mixed Model）指的是多个高斯分布函数的线性组合，理论上GMM可以拟合出任意类型的分布，通常用于解决同一集合下的数据包含多个不同的分布的情况（或者是同一类分布但参数不一样，或者是不同类型的分布，比如正态分布和伯努利分布）。该代码用vs2012打开即可运行。

提出了一种基于小波系数局部统计模型的图像去噪方法。该方法利用小波子带的方向性特点以及小波系数尺度内的相关性，将小波系数的概率分布建模为一种自适应高斯混合模型，在贝叶斯框架中采用这种概率模型可以得到一种具有空间自适应性的贝叶斯萎缩函数。利用这种萎缩函数可以实现对小波系数的修正。实验结果表明，利用该方法进行图像去噪能够取得良好的效果，同时可以有效地保留图像的细节。