Kinect と を使ってジェスチャー認識のアプリを開発したいhidden Markov models。ここでチュートリアルを見ました：HMMレクチャー
でも、どうやって始めたらいいのかわからない。HMM状態セットとは何か、学習を実現するためにデータを正規化する方法は? 信号と単純な「左から右」の場合にどのように行うべきかは (多かれ少なかれ) 知っていますが、3D 空間では少し混乱します。誰かがそれをどのように始めるべきか説明できますか?
誰でも手順を説明できますか、これを行う方法はありますか? HMM特に、モデルの作成方法とアルゴリズムの手順を知る必要があります。
ジェスチャ認識にHMMを適用するための一連の方法は、音声認識に一般的に使用されるのと同様のアーキテクチャを適用することです。
HMMは空間ではなく時間の経過とともに存在し、各ビデオフレーム（またはフレームから抽出された特徴のセット）はHMM状態からの放出になります。
残念ながら、HMMベースの音声認識はかなり広い領域です。多くの本や論文は、さまざまなアーキテクチャを説明するために書かれています。Jelinekの「音声認識の統計的手法」（http://books.google.ca/books?id=1C9dzcJTWowC&pg=PR5#v=onepage&q&f=false）から始めて、そこからの参照に従うことをお勧めします。もう1つのリソースは、CMU sphinx Webページ（http://cmusphinx.sourceforge.net）です。
覚えておくべきもう1つのことは、HMMベースのシステムは、条件付き確率場や最大マージン認識器（SVM-structなど）のような識別アプローチよりもおそらく精度が低いということです。
HMMベースの認識機能の場合、全体的なトレーニングプロセスは通常次のようになります。
1）生データに対して何らかの信号処理を実行します
2）処理されたデータにベクトル量子化（VQ）（他の次元削減手法も使用できます）を適用します
3）状態遷移がジェスチャ内のさまざまなポーズのシーケンスをキャプチャするHMMを手動で構築します。
これらのHMM状態の放出分布は、ステップ2のVQベクトルを中心にしています。
音声認識では、これらのHMMは、各単語の音素のシーケンスを提供する音素辞書から構築されます。
4）個々のジェスチャHMM（または音声認識の場合は各音素HMM）間の遷移を含む単一のHMMを構築します。次に、ジェスチャーのビデオを使用して複合HMMをトレーニングします。
認識プロセスでは、信号処理ステップを適用し、各フレームに最も近いVQエントリを見つけてから、HMMを通る高スコアのパス（ビタビパスまたはA *検索からのパスのセットの1つ）を見つけます。量子化されたベクトル。このパスは、ビデオで予測されるジェスチャを提供します。
これの2DバージョンをCourseraPGMクラスに実装しました。これは、最終ユニットとしてkinectジェスチャを備えています。
https://www.coursera.org/course/pgm
基本的に、HMMを使用して実際にポーズをうまく決定することはできないという考え方です。私たちのユニットでは、K-meansのいくつかのバリエーションを使用して、ポーズを確率的カテゴリにセグメント化しました。HMMは、ジェスチャーとして実際に実行可能なポーズのシーケンスを実際に決定するために使用されました。ただし、一連のポーズで実行されるクラスタリングアルゴリズムは、それらがどのようなポーズであるか、または類似したものであるかがわからない場合でも、適切な候補です。
そこから、kinectデータの各ポイントの可能な各ポーズの総確率をトレーニングするモデルを作成できます。
私はこれが少しまばらなインタビューであることを知っています。そのクラスは、最先端の優れた概要を提供しますが、一般的な問題は、簡単な答えに凝縮するには少し難しすぎます。（この分野に興味がある場合は、4月に服用することをお勧めします）