3.4 Hidden Markov Model (HMM)
Dựa trên nhãn của cụm từ K-means clustering, HMMs được xây dựng lên. Chúng tôi đã áp dụng các phương pháp để lại-một-ra kiểm chứng chéo để tăng hoạt động của HMM. Trong dự án của chúng tôi, các dữ liệu huấn luyện của HMM được tính từ 9 trong 10 thư mục trong một cơ sở dữ liệu của một hành động trong khi các thư mục còn lại được sử dụng như là dữ liệu xác nhận, đã được minh họa ở dưới con số 3,7: Hình 3. 7 bộ khác nhau của chuỗi đào tạo được lấy từ 100 video của một dáng đi bằng cách lặp lại quá trình này, chúng tôi tạo ra 10 x 20 = 200 mô hình HMM khác nhau cho mục đích thử nghiệm. một HMM là hoàn toàn đặc trưng bởi [28] một bộ λ = {A, B, π} trong đó A = ma trận chuyển đổi = {aij} với aij là xác suất chuyển từ trạng thái khí để qj, (i, j) ∈ [1: N]; B: ma trận quan sát = {bj (k)} với bj (k) là xác suất của biểu tượng đầu ra quan sát; vk tại qj nhà nước, k ∈ [1: M]; π = {} πi với π là xác suất trạng thái ban đầu. Các HMM chúng tôi sử dụng được đúng 5 cái nhà nước còn lại. Một điều kiện được thêm vào các yếu tố trong ma trận B để tránh quá trình chuyển đổi của hơn 2 tiểu bang. Số quan sát M được chọn là 64. Mỗi mã từ là vector của các yếu tố 7 tương ứng với 7 giá trị những khoảnh khắc của Hồ Cẩm Đào. Bảng 3. 1 chuyển ma trận xác suất TƯƠNG LAI KỲ Nhà nước 1 State 2 Nhà nước 3 Nhà nước 4 Nhà nước 5 HIỆN TẠI KỲ nhà nước 1 0.5 0.5 0 0 0 State 2 0 0,5 0,5 0 0 Nhà nước 3 0 0 0,5 0,5 0 Nhà nước 4 0 0 0 0,5 0,5 Nhà nước 5 0 0 0 0 1 ma trận phát xạ là một 5 64 ma trận với tổng của mỗi hàng bằng với 1. một số trong một hàng cụ thể của ma trận phát hiện xác suất của một nhà nước cụ thể phát ra một biểu tượng trong nhóm biểu tượng 64. Mô hình ma trận xác suất chuyển dùng để huấn luyện HMM được hiển thị bảng 3.1. Hơn nữa, sự phân bố trạng thái ban đầu mặc định định nghĩa rằng trình tự của các quốc gia luôn luôn bắt đầu ở trạng thái 1. Hình 3. 8 Năm trạng thái của HMM Trong hình 3.8, x (t) là trạng thái tại thời điểm t; y (t) là biểu tượng sản lượng được phát ra tại thời điểm t. Con số này cho thấy các HMM ban đầu, nơi tất cả các xác suất đại diện trong sơ đồ là những giá trị ban đầu được sử dụng cho quy trình đào tạo. Các thuật toán huấn luyện HMM sử dụng ma trận chuyển đổi và phát thải ban đầu để ước tính các ma trận chuyển đổi và xác suất phát xạ có thể xảy ra nhất mà tạo ra các trình tự đào tạo. Mỗi tiểu bang phát ra một biểu tượng trong số 64 khả năng (số lượng các cụm công sự lượng tử hóa vector). Các xác suất tương ứng cho tất cả các khí thải có thể được xác định bởi ma trận phát thải. Bảng 3. 2 phát thải ma trận xác suất Nhãn 1 Nhãn 2 Nhãn hiệu 3 ... Label 64 Nhà nước 1 1/64 1/64 1/64 1/64 ... Nhà nước 2 1/64 1/64 1/64 1/64 ... Nhà nước 3 1/64 1/64 1/64 1/64 ... Nhà nước 4 1/64 1/64 1/64 1/64 ... Nhà nước 5 1/64 1/64 1 / 64 ... 1/64 trong thực tế, các dữ liệu huấn luyện trong ma trận phát thải đôi khi là quá nhỏ mà Matlab chỉ định như là 0. một kỹ thuật xử lý các hiệu ứng không đủ dữ liệu huấn luyện là thêm một ràng buộc bổ sung cho các ma trận B để đảm bảo rằng không có tham số ước tính giảm xuống dưới một mức định sẵn ε [8]. Giá trị của ε được thiết lập để được 1e-06 trong dự án của chúng tôi. Kết quả là ma trận chuyển đổi và phát thải ước tính được tổ chức để một mảng di động và các chỉ số của các ma trận này là những video dáng đi. Do đó, một đoạn video thử nghiệm có chỉ số tương tự như các thông số được đào tạo và quá trình thử nghiệm là dễ dàng hơn để kiểm soát. Cuối cùng, tất cả các bước của phát hiện dáng đi của một video cụ thể là: Chọn thử nghiệm phim khai thác tính năng thời điểm của Hồ Cẩm Đào Xây dựng trình tự kiểm tra bằng cách so sánh với codebook precomputed Tính log-likehood với 200 HMMs của 2 gaits khác nhau kiểm tra mà log-likehood là tối đa vì vậy video thử nghiệm này thực hiện dáng đi này
đang được dịch, vui lòng đợi..