您所在位置：網站首頁 > 海量文檔

&nbsp>&nbsp高等教育&nbsp>&nbsp科普讀物

使用隱馬爾可夫模型的運動筆跡手勢識別.doc10頁

本文檔一共被下載：次,您可全文免費在線閱讀后下載本文檔。

下載提示

1.本站不保證該用戶上傳的文檔完整性，不預覽、不比對內容而直接下載產生的反悔問題本站不予受理。

2.該文檔所得收入(下載+內容+預覽三)歸上傳者、原創者。

3.登錄后可充值，立即自動返金幣，充值渠道很便利

使用隱馬爾可夫模型

最近，隱馬爾可夫模型, 二個時常被逃避的問題被考慮。為了要確定模型的最佳數字區域 ，我們計劃使用貝耶斯定理的數據標準。 我們描述相對事物的連續模型的貢獻比率。對筆跡手勢上的實驗顯示識別率在88% 和100% 之間。

1介紹

在人的環境中，手勢似乎是一種自然人與人溝通的行為 [4,10].人像素行動的理解和識別會打開新更加自然人的行動，相對于機械的運動。 這是一個困難的但是具有挑戰性的經典問題。 給予的未知行動, 目標是獲得到它到一個已知的分像素中。 問題的難度在于組成的行動的參數的表現。參數能在廣度和定方位方面改變在那相同的分像素中。

最近，隱馬爾可夫模型 [18,17,3]. 在這篇論文中, 我們的興趣是手勢識別的隱馬爾可夫模型: 區域的數字的選擇, 和選擇在一個不連續的或連續的模型。

這第一部分顯示了隱馬爾可夫模型 , 第二部分是隱馬爾可夫模型X.D. Huang, Y. Ariki and M.A. Jack的書[12] 和L.R. rabiner和B.H. Juang tuto的書的指導 [16]. 我們有關的問題被呈現在第三個部分中。 我們推薦一個方法來獲得最佳數字區域通過運用貝耶斯定理的數據標準。 最后, 我們討論選擇一個不連續的或一個連續的隱馬爾可夫模型。最后的部分是顯示對手勢識別的結果。

2為手勢的隱馬爾可夫模型識別

建立手勢識別的隱馬爾可夫模型的使用是緣于它用于演講識別的成功。 因為, 手語信號與演講包含相同的語言學結構 [7]，隱馬爾可夫模型已經時常被用于語言的識別。 主要地用在連接數據包 [3,11], 這技術開始用于視覺的手勢識別。

基于HMM的手勢識別嘗試是通過Yamato使其他人了解， 三個運動員運行的六個網球軌跡被識別出來。

T. Starner[17] 使用HMM作為識別一本來自美國語言手冊的40個字的字匯語言。 手在確定的時間內被一種顏色照相機追蹤。 追蹤程序提取出物體的位置,形狀和軌道。 當使用者被彩色手套裝備的時候，Starner獲得了99% 的識別率,而當追蹤程序使用皮膚彩色的時候是92%。

另外最近, I. Poddar以及其他人。 [15] 實踐了用HMM對于天氣記者手勢的識別。 三個手勢被辨認出:“ 畫點,畫圓 和設計一個區域”. 手勢畫點和畫圓通過手實現, 然而手被設計為打開手勢。 在電視上的系統作品的描繪而產生80% 的識別率騙局根據唯一的視覺數據。這一比率上升至92%當手勢識別程序與演講識別一起加倍的時候。 隱馬爾可夫馬爾可夫R. Nag以及其他人 [14] 第一次實現了對于對一個使用者寫原型數字0,1,.。。,9的識別。 一張繪畫似的桌子是用于取得手勢。 左邊-右邊的隱馬爾可夫2和7區域之間包含的模型被利用。依靠區域的數字，識別率在90% 和98% 之間。

3隱馬爾可夫模型理論

因為有許多文件說明了隱馬爾可夫 [16,19,12,17], 我們將不詳細地說明整個的運算法則但是給于簡短的介紹。隱馬爾可夫(XT)t 2R+。一系列的區域構成馬爾可夫”. 在時間t內，系統區域決定規則XT。隱馬爾可夫N個區域組成的在于 :

_ 在被提到的區域之間的轉變點陣式如

_ 對于每個區域, 可能性功能被提供給區域i的觀察, 指示了bi。 給那些規則的描述是

_ 開始區域的蓋然性規則:

對應的隱馬爾可夫 .

在一個分像素問題中, 每個一個先前的手勢分像素 , Cl,與隱馬爾可夫, l。 分像素系統由N個 HMM組成。分像素在二個階段被完成。第一個階段是一個訓練階段使HMM叁數從被設定的一筆數據配對。 這組由一些每個像素的例子組成。 第二個步驟計算觀察被隱藏馬爾可夫

3.1匹配

匹配步驟的目標是估計樣板參數L，為了取得最大的相似性。

(1)

K是在設定匹配中例子的數目, , 和是幾千個例子。 Baum-Welch的'再判斷公式 [12,19] 用來決定i,aij和bi, 再判斷叁數i ， aij和bi。 Baum-Welch逃避債務運算法則是期待 |最大值化運算法則。 在期待階段中, 隱藏的數據是他們的有條件期待的。第二步驟取被完成的可能最大值 [5].

3.2 分像素

提供一個觀察的序列O，分像素階段決定像素Cl，例如

(2)

事實上, 在許多情況, 只有可能性P(O|O 2 Cl) 被知道。 Bayes規則允許計算

(3)

在沒有先前的分布的像素的信息和觀察序列, 我們考慮相等的可能性的所有像素。 這導致:

(4)

然而, 采取對例子寫的識別, 問題的一項廣泛分析允許對舊可能性的信息的重定義。

發表評論

請自覺遵守互聯網相關的政策法規，嚴禁發布色情、暴力、反動的言論。

用戶名:

驗證碼:

匿名?

發表評論

總結

以上是生活随笔為你收集整理的python手势识别隐马尔可夫模型_使用隐马尔可夫模型的运动笔迹手势识别.doc的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。