研究內容與論文貢獻

1.3.1. 資料來源

對於Hidden Markov Model 這一類的動作辨識方法來說，所需用以訓練、辨識的 資料，只要是能代表動作地觀察值序列即可；而這種觀察值的取得，則可以由2D 或 3D 取得，對於辨識方法本身的差異度並不大。

由於大部分的作法中，都是使用離散型的隱馬可夫模型（Discrete Hidden Markov Model），所以如果特徵本身就是離散的符號序列（例如基礎動作或姿勢的名稱或代號）

的話，可以直接利用HMM 來處理；但是如果特徵資料是連續性的數值（如位置、角 度），則必須在進行訓練或辨識前，先將資料做分群或分類，轉換為離散的符號序列。

由於3D 動作的資料取得較為困難，因此本論文的實際數據實驗是以 2D 的影像序 列來進行；而對於3D 的動作辨識，則是以模擬的資料來進行簡單的初步測試。

1.3.2. 辨識方法

而在訓練、辨識的部份，主要使用Hidden Markov Model的一種變形－多觀察值型 隱馬科夫模型（Hidden Markov Model with Multiple Feature Streams，簡稱為HMM/MFS）

[15]進行對動作的訓練與辨識。而接受的資料類型，也是使用離散（Discrete）的符號；

因此如果是連續性的數值資料，必須要先轉換為離散的符號。

傳統的HMM 只能夠接受一組觀察值序列，對於有多組特徵的時候，大多是把多 組特徵怎合成一個特徵向量（feature vector），然後利用 Vector Quantization 之類的方 法，將他轉換為單一的特徵序列，並以這個特徵序列當作觀察值序列供HMM 進行訓 練、辨識。但是這樣的缺點就是無法將各觀察值分開考慮，是必須全部一起考慮的。

而HMM/MFS 和一般的 HMM 的主要差異，就在於他能同時接受多組獨立觀察值 序列。因此，對於每個觀察值可以以各自獨立的方式去做計算；而如果再對觀察值加 入權重後，也可以分別定義各觀察值的重要性，使的整個模型能有更好的通用性。

整個辨識的流程大致如下：

M L

O N

圖 1-1 訓練與辨識流程圖

這一部分為本論文的主要理論部份，將於第二章、第三章對於現有的模型的介紹。

而在實際使用多觀察值型隱馬可夫模型時，則發現不少資料會有「無法辨識」的

於第四章做說明。

1.3.3. 論文貢獻

本論文主要的貢獻，在於提供了將多觀察值型隱馬可夫模型套用在動作辨識這方 面的概念；我們在動作的辨識中，不再只能同時考慮整體的狀態，而能同時使用多組 不同的獨立特徵來當作觀察值，並考慮不同特徵的重要性。

此外，本論文也對使用在使用多觀察值型隱馬可夫模型時，可能發生的「無法辨 識」的情形，提出了幾種「容錯可能性」的計算方法，來解決這個問題、增加辨識的 正確性。