我目前正在开展一个我应该对手势进行分类的项目，许多论文提出HMM是这样做的方式，许多教程都提到天气教程或骰子和硬币教程，我可以＆＃ 39;似乎理解如何将这些映射到我的问题以及我的不同矩阵应该是什么，我目前有一个特征向量（包含检测到的手的特征为* 2矩阵，其中n是检测到的特征的总数所有帧，即如果算法在每帧中检测到10个特征并且视频是10帧，n将是= 100，并且2是x和y坐标）和运动矢量（手本身在视频中的运动） m * 2大小，其中m是视频中的帧数）也是你建议从视频中提取的任何其他数据。
答案 0 :(得分：2)
我知道你正在谈论的论文和关于天气的例子是简单的，不能映射到现在用HMM处理的大多数问题。在您的情况下，您拥有与您知道的手势相对应的功能。 HMM可以工作，因为您拥有的数据是动态的，即按时排序。
我的建议是你应该先看看Kevin Murphy广泛使用的HMM工具箱。它提供了开始使用HMM所需的所有工具。 主要思想是使用一个专用HMM为每个手势类型建模。对于给定的手势类型，将使用您拥有的可用功能训练相应的HMM。
训练完成后，您将获得状态转移概率矩阵，发射概率矩阵和选择初始状态的先验。
当您有一个未知的手势时，您将计算每个受过训练的HMM可能已生成此手势（其实际特征）的可能性。通常，查询序列被分配到提高得分最高的类别。
这是为了大局。在您的情况下，您必须找到一种方法来将您的功能表示为时间序列。 ＆＃34;时间＆＃34;是不同的框架。对于诸如手势的复杂应用，可能难以看出模型的每个状态代表什么。某些类型的HMM，通过它们的拓扑结构（例如从左到右的模型）使这种类比变得更容易。