matlab写的GMM代码

用MATLAB写的高斯混合模型代码，实现背景减除，应用于连续图像序列

function demo1
%
% Encoding and retrieval of motion in a latent space of reduced dimensionality.
% This source code is the implementation of the algorithms described in 
% Section 2.7.1 p.55 of the book “Robot Programming by Demonstration: A 
% Probabilistic Approach“. 
%
% Author:	Sylvain Calinon 2009
%			http://programming-by-demonstration.org
%
% This program loads a dataset finds a latent space of lower dimensionality
% encapsulating the important characteristics of thge motion using 
% Principal Component Analysis （PCA） trains a Gaussian Mixture Model （GMM） 
% using the data projected in this latent space re-projects the Gaussian 
% in the original data space and plots the result. Training a GMM with 
% EM algorithm usually fails to find a good local optimum when data are
% high-dimensional. By projecting the original dataset in a latent space 
% as a pre-processing step GMM training can be performed in a robust way
% and the Gaussian parameters can be projected back to the orginal data
% space.
%
% This source code is given for free! However I would be grateful if you refer 
% to the book （or corresponding article） in any academic publication that uses 
% this code or part of it. Here are the corresponding BibTex references: 
%
% @book{Calinon09book
%   author=“S. Calinon“
%   title=“Robot Programming by Demonstration: A Probabilistic Approach“
%   publisher=“EPFL/CRC Press“
%   year=“2009“
%   note=“EPFL Press ISBN 978-2-940222-31-5 CRC Press ISBN 978-1-4398-0867-2“
% }
%
% @article{Calinon07
%   title=“On Learning Representing and Generalizing a Task in a Humanoid Robot“
%   author=“S. Calinon and F. Guenter and A. Billard“
%   journal=“IEEE Transactions on Systems Man and Cybernetics Part B“
%   year=“2007“
%   volume=“37“
%   number=“2“
%   pages=“286--298“
% }

%% Definition of the number of components used in GMM and the number of 
%% principal components.
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
nbStates = 3;
nbPC = 2;

%% Load a dataset consisting of 3 demonstrations of a 4D signal 
%% （3D spatial components + 1D temporal component）.
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
load（‘data/data.mat‘）;
[nbVarnbData] = size（Data）;

%% Projection of the data in a latent space using PCA.
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%Re-center the data
Data_mean = repmat（mean（Data（2:end:）2） 1 nbData）;
centeredData = Data（2:end:） - Data_mean;
%Extract the eigencomponents of the covariance matrix 
[Ev] = eig（cov（centeredData‘））;
E = fliplr（E）;
%Compute the transformation matrix by keeping the first nbPC eigenvectors
A = E（:1:nbPC）;
%Project the data in the latent space
nbVar2 = nbPC+1;
Data2（1:） = Data（1:）;
Data2（2:nbVar2:） = A‘ * centeredData;


%% Training of GMM by EM algorithm initialized by k-means clustering.
%%%%%%%%%%%%%%%%%%%%%%%%%%%%

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2009-04-03 15:32  GMM-latentSpace-v2.0\
     目录           0  2009-04-03 15:32  GMM-latentSpace-v2.0\data\
     文件        7984  2006-09-17 04:06  GMM-latentSpace-v2.0\data\data.mat
     文件      102820  2008-10-15 05:59  GMM-latentSpace-v2.0\data\GMM-latentSpace-graph01.eps
     文件        4806  2009-07-22 13:54  GMM-latentSpace-v2.0\demo1.m
     文件        5553  2009-07-22 13:29  GMM-latentSpace-v2.0\EM.m
     文件        1645  2009-07-22 13:25  GMM-latentSpace-v2.0\EM_init_kmeans.m
     文件         958  2009-07-22 13:25  GMM-latentSpace-v2.0\gaussPDF.m
     文件        1985  2009-07-22 13:35  GMM-latentSpace-v2.0\plotGMM.m