我想使用Kinect和hidden Markov models开发一个用于手势识别的应用。我在这里看了一个教程：HMM lecture
但我不知道如何开始。什么是状态集以及如何规范化数据以实现HMM学习？我知道（或多或少）应该如何处理信号和简单的“从左到右”的情况，但3D空间让我有点困惑。任何人都可以描述它应该如何开始吗？
有人能描述一下这些步骤吗？特别是我需要知道如何做模型以及HMM算法的步骤应该是什么。
答案 0 :(得分：10)
将HMM应用于手势识别的一组方法是应用与语音识别常用的类似架构。
HMM不会在空间上，而是随着时间的推移，并且每个视频帧（或来自帧的一组提取的特征）将是来自HMM状态的发射。
不幸的是，基于HMM的语音识别是一个相当大的领域。已经编写了许多书籍和论文来描述不同的架构。我建议从Jelinek的“语音识别统计方法”（http://books.google.ca/books?id=1C9dzcJTWowC&pg=PR5#v=onepage&q&f=false）开始，然后按照那里的参考文献开始。另一个资源是CMU sphinx网页（http://cmusphinx.sourceforge.net）。
要记住的另一件事是基于HMM的系统可能不如条件随机字段或最大边距识别器（例如SVM-struct）等判别方法准确。
对于基于HMM的识别器，整个培训过程通常类似于以下内容：
1）对原始数据执行某种信号处理
2）对处理后的数据应用矢量量化（VQ）（也可以使用其他降维技术）
3）手动构建HMM，其状态转换捕获手势中不同姿势的序列。
这些HMM状态的发射分布将以第2步的VQ向量为中心。
在语音识别中，这些HMM是根据音素词典构建的，这些词典为每个单词提供音素序列。
4）构建包含每个单独手势HMM之间的转换的单个HMM（或者在语音识别的情况下，每个音素HMM）。然后，使用手势视频训练复合HMM。
对于识别过程，应用信号处理步骤，找到每帧最近的VQ条目，然后找到通过HMM的高评分路径（维特比路径，或来自A *搜索的一组路径之一） ）给定量化矢量。此路径在视频中提供预测的手势。
答案 1 :(得分：1)
我为Coursera PGM课程实现了这个2d版本，该课程以kinect手势作为最终单元。
https://www.coursera.org/course/pgm
基本上，我们的想法是你不能使用HMM来实际决定姿势。在我们的单元中，我使用了K-means的一些变体来将姿势分成概率类别。 HMM用于实际确定哪些姿势序列实际上可行作为手势。但是，任何在一组姿势上运行的聚类算法都是一个很好的候选者 - 即使你不知道它们是什么样的姿势或类似的东西。
从那里你可以创建一个模型，该模型根据每个kinect数据点的每个可能姿势的总概率进行训练。
我知道这是一次稀疏的采访。该课程对现有技术进行了很好的概述，但一般来说问题有点难以简化为简单的答案。 （如果你对这个领域感兴趣，我建议你在四月份参加）