Emotional Gait Generation for a Humanoid Robot

In this paper, an emotional mathematical model and affective state probability description space of a humanoid robot are set up on the basis of psycho-dynamics＇ psychological energy and affective energy conservation law. The emotional state transferring process and hidden Markov chain algorithm of stimulating transition process are then studied. The simulation results show that the mathematical model is applicable to the authentic affective state change rule of human beings. Finally, the gait generation experiment results of control signal and electric current tracking wave-form are presented to demonstrate the validity of the proposed mathematical model.

嵌入式隐Markov模型的分段训练方法

针对嵌入式隐Markov模型再学习问题,提出了分段训练方法用于人脸识别:把当前的训练样本看作整体训练样本的一部分,训练结束后存储训练后的模型参数和中间变量;增加新样本后,以当前模型参数作为初始模型参数,用新增样本训练模型,得到新的中间变量,最后将已存储的中间变量和用新样本计算得到的中间变量合成,得到最终的模型.人脸识别实验结果表明了该方法的可行性.

基于层叠隐马模型的汉语词法分析

提出了一种基于层叠隐马模型的汉语词法分析方法 ,旨在将汉语分词、词性标注、切分排歧和未登录词识别集成到一个完整的理论框架中 在分词方面 ,采取的是基于类的隐马模型 ,在这层隐马模型中 ,未登录词和词典中收录的普通词一样处理 未登录词识别引入了角色HMM :Viterbi算法标注出全局最优的角色序列 ,然后在角色序列的基础上 ,识别出未登录词 ,并计算出真实的可信度 在切分排歧方面 ,提出了一种基于N 最短路径的策略 ,即 :在早期阶段召回N个最佳结果作为候选集 ,目的是覆盖尽可能多的歧义字段 ,最终的结果会在未登录词识别和词性标注之后 ,从N个最有潜力的候选结果中选优得到 不同层面的实验表明 ,层叠隐马模型的各个层面对汉语词法分析都发挥了积极的作用 实现了基于层叠隐马模型的汉语词法分析系统ICTCLAS ,该系统在 2 0 0 2年的“九七三”专家组评测中获得第 1名 ,在 2 0 0 3年汉语特别兴趣研究组 (ACLSpecialInterestGrouponChineseLanguageProcessing ,SIGHAN)组织的第 1届国际汉语分词大赛中综合得分获得两项第 1名、一项第 2名 这表明 :ICTCLAS是目前最好的汉语词法分析系统之一 。

基于人体静态和动态特征融合的步态识别

提出了一种简单有效的自动步态识别算法。对于每个序列用背景减除方法检测行人的运动轮廓,算法利用步态轮廓图像下肢左右边界的距离矢量对步态轮廓图像进行描述,采用步态图像两脚的宽度进行准周期性分析。利用连续隐马尔可夫模型并融合步态的静态外观信息模型进行步态时变数据匹配识别。算法在Little和Boyd,NLPR和CMU数据库上进行实验均取得了较高的正确识别率。

一种改进的步态识别方法

步态识别通过人体走路的姿势来识别人的身份。近年来,步态作为一种生物特征识别技术备受计算机视觉研究者的关注。对某个人的一个步态序列利用动态Viterbi算法得到一个样本姿态序列,对其多个步态样本姿态序列的对应姿态取平均得到这个人的特征姿态序列,对特征姿态采用主成分分析法和线性判别分析法处理特征空间,并用最近邻法进行识别。利用CASIA数据库对本文方法进行验证,取得了较高的识别率,并对体形变化具有较强的鲁棒性。

基于连续密度隐马尔可夫模型的人体步态识别

人体步态识别作为一种远距离和非侵犯性的识别技术在视频监控等领域具有广泛的应用前景.基于此原因,文中提出基于连续密度隐马尔可夫模型(CD-HMM)的人体步态识别算法.首先,提出基于自然步态周期的特征提取算法,并在此基础上构造观测向量集.然后,使用从训练样本集中提取的步态向量集对CD-HMM进行参数估计.最后,提出基于Cox回归分析的渐进自适应算法对训练过的步态模型进行参数自适应和步态识别.实验表明,相比现有的其它步态识别算法,文中算法具有更高的识别率.

一种基于隐马尔科夫模型的步态识别算法

步态是指人体走路时的姿态,步态识别是近年来生物特征识别领域一个备受关注的研究方向。步态阶段的区分是步态识别的重要内容。以隐马尔科夫模型(HMM)为基础,基于安装在膝关节的编码器和大腿部的加速度传感器,在外骨骼辅助行走中识别步态的不同阶段。首先进行数据预处理和特征提取;其次对隐马尔科夫步态识别算法进行设计,包括结构的建立、参数的训练和最终的识别;最后对性能进行评估,总体正确率达到91.06%,说明HMM用于步态阶段识别具有较好的性能。

基于子字单元的维吾尔语语音识别研究

为提高维吾尔语语音识别的识别率,在分析维吾尔语特点的基础上,设计一种基于子字单元的维吾尔语语音识别总体结构,指出维吾尔语单词的发音模型,给出构建子字发音字典的方法,及其以子字单元为基础构建语言模型与声学模型的方法。在一个语音库上进行实验,采用一种非监督的词切分方法对维吾尔语单词进行词切分,生成子字。实验结果表明,基于子字单元的维吾尔语语音识别可以获得更好的识别结果。

基于连续HMM与静态外观信息模型融合的步态识别

利用步态轮廓图像下肢左右边界的距离矢量对步态轮廓图像进行描述,采用步态图像两脚的宽度进行准周期性分析.利用隐马尔可夫模型并融合步态的静态外观信息模型进行步态时变数据匹配识别.算法在CMU数据库上进行实验取得了较高的正确识别率.

基于连续隐马尔可夫模型的步态识别

步态识别作为一种新的生物特征识别技术,通过人走路的姿势实现对个人身份的识别和认证。算法利用步态轮廓图像边界到重心的距离矢量对步态轮廓图像进行描述,采用步态图像的高宽比进行步态的准周期性分析。利用隐马尔可夫模型进行步态时变数据匹配识别。算法在CMU数据库上进行实验取得了较高的正确识别率。

基于GVF Snake模型的步态识别轮廓提取

步态识别作为一种新的生物识别技术,通过人走路的姿势实现对个人身份的识别和认证。步态特征提取是步态识别的关键步骤。采用背景消减法与对称差分法相结合对运动人体分割,采用改进的GVFSnake模型对人体运动步态轮廓进行边缘提取。实验结果表明该方法能准确高效地提取边缘特征作为步态识别的特征。

实时手势加速度动作分割与识别研究

实时手势动作分割与识别是基于惯性传感器手势交互的重要研究内容.采用佩戴在手腕的单个加速度传感器获取手势加速度信号,提出一种实时手势加速度动作分割和识别方案.首先采用基于阈值的动作分割算法实时切分连续手势,通过聚类算法提取手势动作的关键特征,然后构造离散隐马尔可夫模型实现手势识别.实验结果表明,本文采用的手势动作切分算法能自动提取有效手势信号,关键特征选择不仅降低了隐马尔可夫模型的复杂度,而且提高了识别率.

基于嵌入式隐马尔可夫模型的步态识别

针对从多帧步态中更有效提取步态特征的问题,提出了一种基于嵌入式隐马尔可夫模型的步态识别算法.首先采用背景减除方法提取出人体的侧影轮廓,通过分析轮廓宽度向量的自相关性计算出步态的周期,并得到平均步态能量图.接着利用二维离散余弦变换获得平均步态能量图的空间特征信息,然后把能量图的观测块转化为观测向量实现了步态识别.最后运用最近邻法在两个不同的数据库上进行算法验证,实验结果表明该算法具有较好的识别性能.

基于滑动窗口和动态规划的连续动作分割与识别

针对现有动作识别中对连续动作识别研究较少且单一算法对连续动作识别效果较差的问题,提出在单个动作建模的基础上,采用滑动窗口法和动态规划法结合,实现连续动作的分割与识别。首先,采用深度置信网络和隐马尔可夫结合的模型DBN-HMM对单个动作建模;其次,运用所训练动作模型的对数似然值和滑动窗口法对连续动作进行评分估计,实现初始分割点的检测;然后,采用动态规划对分割点位置进行优化并对单个动作进行识别。在公开动作数据库MSR Action3D上进行连续动作分割与识别测试,结果表明基于滑动窗口的动态规划能够优化分割点的选取,进而提高识别精度,能够用于连续动作识别。

利用动态部位变化的步态识别

为了解决人的衣着变化和携带物品对步态识别的影响,提出了一种基于动态部位变化的步态识别方法。首先应用背景差分和阴影消除获得人体步态轮廓,并对获取的轮廓进行位置中心化和大小归一化;然后通过步态能量图和阈值分割的方法划分出每一帧的动态部位,并使用扇形区域距离变换的方法对动态部位进行特征提取;最后使用最大熵马尔可夫模型对各个人的步态进行建模,完成了基于概率图的识别。该方法在CASIA步态数据库上进行了实验,取得了较高的正确识别率,实验结果表明该方法对人的衣着变化和携带物品情况下的步态识别具有较强的鲁棒性。

一种基于平均步态能量图的身份识别算法

提出一种基于步态能量图(GEI)的嵌入式隐马尔可夫模型(e-HMM)身份识别方法。首先通过预处理提取出运动人体的侧面轮廓,根据步态下肢的摆动距离统计出步态周期,得到平均步态能量图。对能量图的各区域进行分析,利用二维离散余弦变换(2D-DCT)将能量图观测块转化为观测向量,实现嵌入式隐马尔可夫模型的训练和身份识别。最后在USF和CASIA步态数据库上对所提出的算法进行实验。实验表明该方法具有较好的识别性能,是一种有效的步态识别方法。

特征选择对FHMM性能影响研究

在利用因子隐马尔可夫模型(Factorial Hidden Markov Model,FHMM)进行分类识别的过程中,特征选择是影响其性能的主要因素.通过研究特征选择对FHMM性能的影响,提出了一种性能分析的方案,得出了选择FHMM特征的准则.将FHMM引入到步态识别中,提取4种步态特征,得到使用不同特征组合的FHMM的实验结果.使用McNemar检验的方法将其与单个特征的识别性能做比较,结合由正则典型相关分析得到的维数不同的特征间的相关性,分析得到以下结论:基于FHMM的识别性能与特征间的相关性并没有必然联系,其性能更多地受到特征间的识别性能差异和单个特征的识别性能的影响.为发挥FHMM的优越性,应选择特征间识别性能差异小和单个特征识别性能好的特征组合,在此基础上特征间相关性越小越好.

基于深度预分割结合Camshift跟踪算法的动态手势识别方法

针对现有改进的Camshift手势跟踪算法没有考虑光照变化影响下的鲁棒性,进而降低了动态手势的识别率,提出一种基于深度预分割结合Camshift跟踪算法的动态手势识别法.通过在Camshift手势跟踪的基础上引入深度信息,对手势搜索区域进行深度预分割,改进手势目标匹配概率,去除非手势肤色区域及光照变化的影响,最后用隐马尔可夫模型（HMM）进行识别.实验结果表明,提出的方法在光照变化及肤色干扰的环境下有很好的鲁棒性,数字0～9的平均识别率可达97.7％.

基于步态能量图的隐马尔可夫模型身份识别

提出一种基于步态能量图的隐马尔可夫模型身份识别算法.首先预处理提取出运动人体的侧面轮廓,根据步态下肢的摆动距离计算出步态周期,得到平均步态能量图.对能量图用K-均值聚类的方法生成观察向量,进行一维离散隐马尔可夫模型训练,用训练好的模型参数进行身份识别.最后在CASIA步态数据库上对所提出的算法进行实验.实验表明该方法具有较好的识别性能.

基于灰度标准差的光流模型的步态识别算法

步态识别主要是通过人体走路的姿势来识别人的身份.提出了一种改进的光流法和隐马可夫模型相结合的技术,使用背景减除和阈值化为目标和背景图像建立模型,由使用灰度标准差筛选的光流法模型提取每一个运动目标的特征,取得时间序列的特征向量,把特征量化和状态分类的结果交给隐马可夫模型来判断运动目标的姿态.仿真实验表明,本算法识别率高,速度快.