文献综述-分类

人体姿态、运动预测及识别

NN

1.杜友田等[1]提出了一种分层且带驻留时间状态的动态贝叶斯网络(HDS-DBN)模型，并将其应用于人的行为（人与人交互）识别，与现有的识别方法（ODHMM,CHMM,CHSMM，2层HHMM）在同样的数据集上进行了测试。测试结果表明，HDS-DBN模型由很好的行为识别结果，且在具有噪声或信息缺失的情况下仍具备较好的识别性能。

HDS-DBN的特点：
1.相比于过去从单一尺度上研究行为识别，HDS-DBN是考虑了人的行为在多个尺度下的不同运动特征。
2.考虑了几点假设：
a.马尔可夫过程假设
b.网络结构假设：仅考虑相邻两个尺度间，大尺度上的运动细节对小尺度上的影响。
c.认为大尺度上运动状态会持续较长的时间，而传统HMM中状态驻留时间服从几何分布不能反映实际情况[2],故在HDS-DBN中加入$l=1,2\dots,L-1$层中加入驻留时间状态改变行为状态的驻留时间分布。且认为最后一层尺度最小，行为状态转移频率最高，固有几何分布符合实际。文中采用Coxian分布[3]。
3.与现有的识别相比有本质的区别
a.与传统HMM相比，HDS-DBN通过分解的方式降低了参数空间的大小，模型训练更简便
b.与CHMM相比，CHMM是由多条对称的马尔可夫链构成，HDS-DBN是由多条不对称链构成，所以能描述处于不同尺度的多个随机过程
c.与HHMM相比，HHMM是单一的观测序列中学习模型状态的意义和行为的结构的。

2.杨旗等[4]提出了一种4层的双尺度多信息融合的动态贝叶斯网络（DBN）模型，并将其应用于步态识别，与现有的步态识别技术在同样的数据集（CASIA B）上进行了测试。测试结果表明，提出的模型识别率高，并且可以降低背包对步态识别的影响，且在有噪声污染和数据缺失情况下仍能保证良好的识别效果。

4层双尺度多信息融合DBN的特点：
1.信息融合在这里定义为：模型中每个时间片为整体信息（大尺度信息）和局部细节信息（小尺度信息）的融合。
2.考虑了几点假设：
a.动态概率过程是马尔克夫过程
b.网络结构假设：
认为整体信息（大尺度信息）会影响各身体局部部位的细节信息（小尺度信息），而各身体局部部位信息之间的相互影响可以忽略。
3.与现有的识别相比有本质的区别:
a.与现有的通过提取步态轮廓方法进行识别的方法相比（如主动轮廓模型及运动预测，步态能量图像GEI和2维主成分分析、主动能量AEI及2维局部投影，帧差能量图FDEI及隐马尔可夫HMM，双层动态贝叶斯网络等），提出的4层双尺度多信息融合的DBN充分考虑了步态行走时的时序特性。
4.需要备注的是：
其任然采用在帧差图像上进行模型特征的提取，并采用矩阵的统计特性描述轮廓中心点高度坐标；用扇形区域法建立特征向量[5]来提取身体各部位动态的变化（如行走姿态、幅度等特征）；用前向帧差图像白色区域像素个数作为步态运动速度。