一种改进的隐马尔可夫模型在语音识别中的应用

提出了一种新的马尔可夫模型——异步隐马尔可夫模型.该模型针对噪音环境下语音识别过程中出现丢失帧的情况,通过增加新的隐藏时间标示变量Ck,估计出实际观察值对应的状态序列,实现对不规则或者不完整采样数据的建模.详细介绍了适合异步HMM的前后向算法以及用于训练的EM算法,并且对转移矩阵的计算进行了优化.最后通过实验仿真,分别使用经典HMM和异步HMM对相同的随机抽取帧的语音数据进行识别,识别结果显示在抽取帧相同情况下异步HMM比经典HMM的识别错误率低.

基于异步隐马尔可夫的视频多目标数据关联

针对视频中由于丢帧或遮挡造成的不完整目标轨迹,利用异步隐马尔可夫模型(AHMM)进行多目标数据关联。通过在HSV颜色空间采用背景差分法获取视频中多目标位置,并从中提取目标位置及方向角特征作为观测值以提高关联算法对于目标位移扰动的鲁棒性。将多目标的数据关联问题转化为轨迹的识别分配问题,通过异步隐马尔可夫模型的新增时间标示和时变转移矩阵,提高了对不完整轨迹的建模和数据关联的准确性。实验结果表明,当视频跟踪过程中发生数据丢失时,相对于经典的联合数据关联算法和隐马尔可夫算法,所提出的多目标数据关联算法具有较低的关联错误率。