基于HMM的人体行为识别研究的中期报告.docx

基于HMM的人体行为识别研究的中期报告
概述
本文介绍了基于隐藏马尔可夫模型（HMM）的人体行为识别研究中期报告。该研究旨在利用HMM对人体动作进行识别和分类。
数据集
本研究所使用的数据集包含40个主题的日常活动，通过使用深度学习技术获取。其中包括走路、跑步、静止、站立、跳跃、弯腰、转身等行为，每个主题拍摄了大约2分钟的视频。所有视频都是在同一设置下拍摄的并在同样的条件下处理。
模型架构
本研究所采用的HMM模型将信号分为两个部分：观察值序列和隐藏状态序列。观察值序列是观察到的人体动作序列，而隐藏状态序列是用于解释该序列的非观察因素，如隐含状态。
在此基础上，研究团队设计了一个三层的HMM模型。第一层是观察层，用于捕捉输入序列的特征信息；第二层是中间隐藏层，用于学习包含主题之间差异的共性特征；第三层是状态层，用于确定曲线的状态。
模型训练
在模型训练方面，研究团队使用了EM算法进行训练。EM算法是一种迭代算法，用于最大化似然函数。它如下几个步骤：
1.初始化模型参数
2.E步：计算每个时间步的每个状态的后验概率
3.M步：计算新的模型参数（状态转移矩阵、发射概率模型）
4.重复步骤2和步骤3直到收敛
实验结果
在使用40个主题拍摄的视频进行测试之后，研究团队在得到的结果上进行了统计分析，实验结果如下：
1.在训练集上，模型的平均准确率为85％。
2.在未知数据集上，模型的平均准确率为62％。
结论
该研究对基于HMM的人体行为识别进行了中期报告。研究表明，使用HMM进行人体行为分类的准确率可以达到85％，但是在未知数据集上的表现不如在训练集上。未来的研究将集中在改进模型以提高准确率并继续研究基于HMM的人体行为识别的各种应用。