[发明专利]基于HMM的化工园区行为参数训练方法及系统、装置

说明书

本发明提供一种基于HMM的化工园区行为参数训练方法及系统、装置，所述方法包括以下步骤：对现有的HMM模型未知参数λ＝{∏，A，B}，在给定参数和观测序列O＝{o₁，o₂...，o_tq}的前提下，定义变量ε_t(i，j)为HMM模型λ在t时刻处于状态S_i，在t+1时刻处于S_j的概率P[O|λ]；给定观测序列的条件下，定义γ_t(i)为HMM模型λ在t时刻隐藏状态处于S_i的概率P[O|λ]；对γ_t(i)按照时间t求和，得到S_i状态被访问的次数，对ε_t(i，j)按照时间t求和，得到从状态S_i到状态S_j的次数，得出HMM模型参数的估计公式本发明对人体行为参数的训练很高地逼近了观测序列，实现了最优模型估计。

技术领域

本发明涉及行为检测学习训练技术领域，具体而言，涉及一种基于HMM的化工园区行为参数训练方法及系统、装置。

背景技术

近年来，随着信息化网络化技术水平的发展，视觉处理技术逐渐普及到人们的日常工作生活场景中。视觉处理系统是人类用以观测和感知外界的主要工具。当今社会，伴随着计算机处理能力不断地提高，工程师们希望计算机代替人类的双眼和大脑能够像人一样对外界事物、客观世界进行认知、观察以及交互，这便要求计算机具有人类视觉处理系统的几乎所有的能力。由于计算机硬件处理能力不断提高，同时计算机视觉技术也在突飞猛进地发展，这一期望更接近变成现实。计算机视觉技术研究的主要内容是，如何利用计算机视觉技术解决以人为中心的相关问题，包括人体检测与跟踪、人脸识别、人体运动分析等。

现有技术对化工园区的人体检测，其中对人体运动行为模型进行的参数训练，通过实验仿真等进行对比验证，存在逼近度差的现象。

发明内容

鉴于此，本发明的目的是提高对化工园区人体行为参数的训练的逼近度，优化模型估计。

本发明提出一种基于HMM模型的化工园区行为参数训练方法，隐马尔可夫模型(HMM)是由概率中的马尔科夫链引申而来的。在模型中，事件发生的状态是不可见或不可确定的，只可以通过序列中的观测值得到。另外，观测状态与事件发生的状态也不是一一对应关系，而是通过概率分布相互联系的。

隐马尔可夫模型是一个双重随机过程，由两部分构成:一个是一般随机过程，负责描述观测值与状态之间的关系；另一个是马尔科夫链，负责描述隐马尔可夫中的状态转移。参见附图图3所示。

另外，在隐马尔可夫模型中，未知的隐藏状态数N以及观测数M都是预先固定的，其余三个参数是通过训练和学习确定的，因此可以用三元组来表示一个隐性马尔可夫模型。通过给定这三个参数，可以构建一个HMM模型。

本发明HMM的模型参数λ＝{∏，A，B}为未知参数，通过观测序列O＝{O₁，O₂，...，O_tq}和隐藏状态集来调整HMM模型中的参数，不断的迭代HMM模型的参数来逼近观测序列，最终得到使得P[O|λ]取得最大的最优模型估计。学习过程也可以理解为训练过程，此时观测序列便作为训练序列。

本发明提供一种基于HMM的化工园区行为参数训练方法，包括如下步骤：

S1、对现有的HMM模型未知参数λ＝{∏，A，B}，在给定参数和观测序列O＝{O₁，O₂，...，O_tq}的前提下，使用Baum-Welch算法，定义变量ε_t(i,j)为HMM模型λ在t时刻处于状态S_i，在t+1时刻处于S_j的概率P[O|λ]：