[社会学]AI-9.pptVIP

Lecture 9 Advanced Computer Vision HMM HMM的由来 马尔可夫性和马尔可夫链 HMM实例 HMM的三个基本算法 马尔可夫性 如果一个过程的“将来”仅依赖“现在”而不依赖“过去”，则此过程具有马尔可夫性,或称此过程为马尔可夫过程 X(t+1) = f( X(t) ) 马尔科夫链 时间和状态都离散的马尔科夫过程称为马尔科夫链 记作{Xn = X(n), n = 0,1,2,…} 在时间集T1 = {0,1,2,…}上对离散状态的过程相继观察的结果 链的状态空间记做I = {a1, a2,…}, ai∈R. 条件概率Pij ( m ,m+n)=P{Xm+n = aj|Xm = ai} 为马氏链在时刻m处于状态ai条件下，在时刻m+n转移到状态aj的转移概率。 转移概率矩阵 转移概率矩阵(续) 由于链在时刻m从任何一个状态ai出发，到另一时刻m+n，必然转移到a1，a2…，诸状态中的某一个，所以有 当Pij(m,m+n)与m无关时，称马尔科夫链为齐次马尔科夫链，通常说的马尔科夫链都是指齐次马尔科夫链。 HMM实例 HMM实例——描述 设有N个缸，每个缸中装有很多彩球，球的颜色由一组概率分布描述。实验进行方式如下 根据初始概率分布，随机选择N个缸中的一个开始实验 根据缸中球颜色的概率分布，随机选择一个球，记球的颜色为O1，并把球放回缸中 根据描述缸的转移的概率分布，随机选择下一口缸，重复以上步骤。 最后得到一个描述球的颜色的序列O1,O2,…，称为观察值序列O。 HMM实例——约束 在上述实验中，有几个要点需要注意： 缸间的转移不能被直接观察 每次选取哪个缸由一组转移概率决定 从缸中所选取的球的颜色和缸并不是 一一对应的 HMM概念 HMM的状态是不确定或不可见的，只有通过观测序列的随机过程才能表现出来 观察到的事件与状态并不是一一对应，而是通过一组概率分布相联系 HMM是一个双重随机过程，两个组成部分： 马尔可夫链：描述状态的转移，用转移概率描述。 一般随机过程：描述状态与观察序列间的关系， 用观察值概率描述。 HMM组成 HMM的基本要素 用模型五元组 ＝（ N, M, π ，A，B）用来描述HMM，或简写为 =(π ，A，B) HMM可解决的问题 问题1：给定观察序列O=O1,O2,…OT,以及模型 , 如何计算P(O|λ)？ 问题2：给定观察序列O=O1,O2,…OT以及模型λ,如何选择一个对应的状态序列 S = q1,q2,…qT，使得S能够最为合理地解释观察序列O？ 问题3：如何调整模型参数 , 使得P(O|λ)最大？ 解决问题1—— 基础方法 给定一个固定的状态序列S=(q1，q2，q3…) 表示在qt状态下观测到Ot的概率 N=5, M=100, 其计算量为1072！ HMM的应用领域 语音识别 机器视觉 人脸检测 机器人足球 图像处理 图像去噪 图像识别 生物医学分析 DNA/蛋白质序列分析 提纲 问题描述与研究背景 相关工作概述及研究思路介绍 基于扩展随机文法的视频事件识别方法 基于轨迹分析的原子事件获取 事件规则的归纳学习 多线程文法分析算法 多人交互行为识别中的扩展应用 结论 多人交互行为的识别 轨迹信号 交互原子流 多人交互行为的识别 交互原子流 交互事件 实验结果 交互行为类别 I1：一人跟随另一人 I2：一人跟随另一人，之后加速超过前人 I3：一人跟随另一人，之后加速赶上，一起走 I4：两人相遇再远离 I5：两人相遇，之后一人转变方向，两人一起走 每个行为包括12条序列，采用了其他三种方法做比较，包括HMM，CHMM和VLMM，3折交叉验证 实验结果 原始数据实验结果 大尺度噪声实验结果 由于采用了更为紧致的符号表示，多线程文法分析的识别效果优于其他方法。 小结 将基于扩展随机文法的事件识别方法用于识别多个运动人之间的交互行为，验证了所提出方法的通用性。 相对于信号级上的事件模型学习方法，紧致的符号级表达可以在少量训练数据中更为有效的获取事件的内在结构。 结论 在体操行为、交通路口和多物体交互场景中验证了其对于复杂事件的识别有效性。 轨迹抽取 原子事件检测 多线程文法 分析 原子事件学习 事件规则归纳 Data 0 Data 1 Data 1 Data 2 Data 3 Data 3 Data 5 Data4 * 欢迎各位老师同学参加我的博士学位答辩，我的题目： 老师是： * 这是我的答辩提纲，首先介绍一下视频语义事件识别的问题描述。之后通过对相关工作的介绍，以明确我们的研究思路