基于HMM-FNN模型的复杂动态手势辨识

简介：
本研究提出了一种结合隐马尔可夫模型(HMM)与前馈神经网络(FNN)的新型混合架构，用于高效准确地识别复杂的动态手势。 复杂动态手势识别是视频手势人机交互中的关键问题。本段落提出了一种HMM-FNN模型结构，整合了隐马尔可夫模型（HMM）对时间序列数据建模的能力与模糊神经网络（FNN）的模糊规则构建和推理能力，并将其应用于复杂的动态手势识别中。 复杂的手势具有两个主要特点：运动特征可以分解以及定义描述具有模糊性。针对这些特性，复杂手势被分为手形变化、二维平面移动及Z轴方向运动三个子部分，分别通过HMM进行建模。模型对观察序列的似然概率作为FNN中的模糊隶属度，并利用模糊规则推理得出最终的手势分类结果。 该方法将高维手势特征分解为低维度子特征序列，简化了模型复杂性。此外，此方法还可以充分利用人类经验来辅助创建和优化模型结构。实验表明，这是一种有效的复杂动态手势识别方式，相较于传统的HMM模型具有更好的性能表现。