【摘要】：HMM是马尔可夫链的推广，在HMM中观察到的事件与状态通过一组概率分布相联系，是一个双重随机过程。其中一个是马尔可夫链，它描述了状态之间的转移；另一个随机过程描述了状态和观察值之间的统计对应关系。HMM的状态是隐含的，可以观察到的是各个状态产生的非确定的观察值，因此称为隐马尔可夫模型。Sakaguchi等人首先把HMM应用到表情识别中，取得了较好的效果[36]。
HMM是马尔可夫链（Markov Chain）的推广，在HMM中观察到的事件与状态通过一组概率分布相联系，是一个双重随机过程。其中一个是马尔可夫链，它描述了状态之间的转移；另一个随机过程描述了状态和观察值之间的统计对应关系。HMM的状态是隐含的，可以观察到的是各个状态产生的非确定的观察值，因此称为隐马尔可夫模型。最初HMM在语音识别中得到了广泛的应用，后来随着它的发展，使得很多研究人员开始尝试将HMM用于目标识别、人脸识别、光字符识别（OCR）等领域。
人的面部图像序列与人的语音序列特点是一样的，是有时间顺序且是不可逆的过程，因而可以采用无跨越从左到右的HMM，并在这些模型中限定一个起始状态，每个状态只能向右侧编号高一位的状态或本状态转移，因此这一模型的矩阵中，只有主对角元素和右副对角元素允许非零，而且该矩阵比较稀疏，因此大大减少了模型参数估值的计算量。Sakaguchi等人首先把HMM应用到表情识别中，取得了较好的效果[36]。现在许多研究机构都在运用HMM来对人脸面部表情图像序列进行分析与识别，参考文献[37]介绍了利用HMM这样的方法能够比较精确地描绘表情的变化本质和动态性能，实现任意时序长短的人脸表情分析和识别；与基于静态图像的表情识别相比，不论在理论上还是在实践上都取得了显著的效果。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
