基于隐马尔科夫模型的识别技术

隐马尔科夫模型（HMM）用概率统计的方法来描述时变信号过程，具有十分健壮的数学结构，适用于动态过程时间序列建模，并具有强大的时序模式分类能力，理论上可处理任意长度的时序，它为HMM提供了一个非常广泛的应用范围。目前，HMM已经成功地用于语音识别和手势识别，而人脸识别和表情识别是HMM的又一个新的应用领域。

一个HMM模型由两个随机过程组成，一个是马尔科夫链，由初始状态分布概率π={π_i}和转移概率矩阵A={a_ij}描述，输出为状态序列，但是这个输出序列隐藏在模型中；另一个随机过程由B={b_j（O_t）}描述，输出为观察序列，但不一定是马尔科夫过程，这也是HMM名称的由来^[11]。人的面部表情图像序列的特点同人的语音序列特点一样，是有时间顺序的、不可逆过程，因而在表情识别过程中一般采用无跨越从左到右的HMM。金辉等采用隐马尔科夫的方法对表情进行分类，在对HMM进行训练时，设计眼部七种、嘴部七种共十四种HMM，把各种表情的眼部和嘴部的HMM分开训练，这样就可以提高对混合表情的辨识能力。实验结果表明，HMM在分析时序过程中，速度和识别结果都是非常理想的，与静止的单帧表情图像识别相比，动态时序分析的HMM的表情识别方法不论在理论与实验上都取得了显著的效果。尹星云等人根据HMM的基本理论和算法设计了一个人脸表情识别系统。该系统由两层HMM组成：低层由六个HMM组成，分别对应六种特定表情，人脸表情特征向量进入系统后，经过底层HMM初步识别，其结果组成高层HMM的观察向量，经过高层HMM解码，确认出表情，从而提高了系统的识别率，增强了系统的健壮性。Hadid和Pietikainen将HMM方法与PCA方法进行了比较，试验结果表明，如果输入的图像序列中包含的帧数比较多，那么HMM方法识别率明显高于后者，但随着序列图像中帧数的减少，HMM方法的识别率将明显下降；另外，如果用于识别的图像的分辨率不断降低的话，PCA方法的识别率会大大下降，而HMM方法的识别率则没有那么敏感。(www.xing528.com)