变阶隐马尔可夫模型及其应用.pdf

变阶隐马尔可夫模型及其应用 摘 要 本文针对模型阶数可变情形给 出隐式马尔可夫模型的一个扩展 变阶隐 式马尔可夫模型 。变阶隐马尔可夫模型使用变阶马尔可夫模型和 隐式马尔可夫 模型中的技术 ，结合两者 的特点，构 了有高阶临时依赖和多变量连续取值型 观测信号的有 限状态空间的概率机 。当满足一定条件情况下，该模型可 以退化 为高阶隐马尔可夫模型或隐式马尔可夫模型，这条非常好 的性质使得变阶隐式 马尔可夫模型可 以应用于大多数高阶隐马尔可夫模型适用 的场合 。在本文 中， 我们将变阶隐式马尔可夫模型应用于人体动作动画 自动识别和合成 。我们给 出 了forward-backward算法 ，该算法可 以从抓取 的人体动作数据库 （mocap ）中 自 动学习得到变阶隐式马尔可夫模型 的参数集 ；给 出了Viterbi算法 自动实时识别 和合成人体动作样本 。实验结果表 明，变阶隐式马尔可夫模型可 以以较少的时 间有效的进行人体动作动画 自动识别和合成 。 关键词：马尔可夫模型；变阶马尔可夫链 I 变阶隐马尔可夫模型及其应用 Abstract In this paper, we propose an extension of the hidden Markov model (HMM) using variable order Markov (VOM) techniques referred as variable order hidden Markov model (VOHMM). VOHMMs combine HMMs and VOM models to construct the probabilistic finite-state machine with both high order temporal hidden dependencies and multivariate continuous-valued observable signals. An attractive property of this extension is that if the variable order temporal dependencies degenerate to fixed order Markov property or first order Markov property, the VOHMMs reduce to the classi- cal n-HMMs or HMMs respectively. We apply our VOHMMs to the motion models for human motion animation recognition and synthesis. We derive the corresponding forward-backward algorithm for learning VOHMMs from a database of human motion capture examples and Viterbi algorithm for recognition and synthesis human motion by example automatically. Experimental results show that the VOHMM can learn the model parameters automatically from the database, eectively handle the human mo- tion recognition quest and synthesis plausible virtual motion data, while it retains less computational complexity as that of