514 智能系统学报 第7卷 在人体行为分析中，大尺度占有主导性，本文只考虑两 如果关键姿态的个数过多时，则运算量增大，以至于 尺度间大尺度特征对小尺度细节特征的影响。 影响算法的运算速度.本文选取一个行为由5个关 2应用多尺度特征的DL-HMM 键姿态组成，这5个关键姿态分别来自于5段子轨 迹. 2.1模型描述 用12=(A0,BD,TD,A2),B2,2), 根据行为的特点，每一个行为事件可以由若干 H1,2)表示DL-HMM,它是一个无回路的五状态拓 关键姿态来描述，这些关键姿态均分布于一个行为 扑结构，每一个状态均不能返回到前一状态，A)、 事件的各段子轨迹组成的子事件中，其余姿势认为 B)、π⑧分别表示对应层的状态转移矩阵、状态输 是这些关键姿势的过渡.关键姿态个数在一定程度 出概率矩阵和初始状态的概率分布矩阵.图3为应 上决定了识别率的高低和运算量的大小，若关键姿 用多尺度特征的DL-HMM结构图. 态数过少会无法正确表征行为特征，使识别率降低； b(c)...b(c) b(c)...bic) b,(c).b,(c) am a ·大尺度特征 S 卡知为O a a az a a aos 小尺度特征 S b(o)...b(o) b(o)...bio) b(o)..b(o) Argm axP(O) 图3应用多尺度特征的双层隐马尔可夫模型 Fig.3 Double-layer hidden Markov model 「h4:2 h) 0 0 0 对于行为J,其参数集合)为： 0 hs)he 0 0 1)状态转移矩阵A,在第i层DL-HMM中，当 H(1,2) 0 0 h码2h码 0 前状态只能转移到下一状态，而不能返回到前一状 0 0 0 h22 态，例如a8=P(S0=S1S81=S),i=1,2. 0 0 0 0 2)状态输出概率矩阵B,表示当前时刻该状态 h) 式中：1，表示在上层的子轨迹序列状态条件下存在 输出某一观察值的概率.定义为 下层的行为姿态数字序列的概率，例如其中2”= b0(c)…b0(c4)1 P(S=S1S2)=S).在参数训练中初始值选择为 Bi= Γ0.50.50001 b(c)… Bs (ci) 00.50.500 式中：b(cn)=P(cnIS0=S2),i=1,2. H12)= 000.50.50 3)初始状态概率分布π，由于状态的转移总是 0 00 0.50.5 从S。状态开始，因此有下面定义：={=1， L 00000.5J π=0，…，mg9=0,i=1,2. 设观测序列为0={01,02，…，0}，其中每一 4)定义DL-HMM中上层HMM对下层HMM的 个观察值均由基于大尺度的轨迹特征和基于小尺度 条件概率矩阵为H1): 的小波矩特征的观察值构成，用O,={c,c}表示t 时刻观察序列中的观察值.观测向量长度为T的状