[英]C# HMM Gesture Recognition usng Kinect
我正在研究使用Kinect传感器进行手势识别的解决方案。 现在,我正在使用Accord .NET训练HMM。 我有一个保存了手势的数据集。 该数据集有11个手势,每个手势有32个帧,保存了18个点。
所以我有一个(double [12] [32,18])输入数据集和一个(int [12])输出数据集,但是当我这样做时:double error = Teacher.Run(inputSequences,output),它给了我这个: “指定的参数超出有效值范围。”
有谁知道如何解决这个问题? 是否应该在hmm老师上使用数据集之前对其进行处理,否则数据集可以这样吗?
我过去曾经使用过Accord.NET,它实际上是HMM引擎的最佳实现之一。 但是,当我训练HMM时,我将HMM参数(即PI,A和B)传递给Baum Welch老师,并使用组织好的excel表提供了输入数据集。 (类似于Accord的作者本人在其项目中使用的内容)。 我不知何故感觉到,由于您将数据集存储为多维数组并直接将其提供给教师,因此它无法正确处理它。 也许您可以一次提供一个手势记录,或者完全更改数据集的存储结构。 如果您还没有使用Accord的整个示例,我建议您进行遍历,因为它对我来说很好用。
问题可能在于教学算法期望训练序列采用double[12][32][18]
,而不是double[12][32,18]
。 训练数据应该是多变量点序列的集合。 还需要注意的是,如果您有11种可能的手势类,则int[12]
数组中给出的整数标签应仅由0到10之间的值组成。
因此,如果您有12个手势样本,每个样本包含32个帧,并且每个帧是18个点的向量,则应该为教师提供一个double[12][32][18]
数组,其中包含观察值和一个int[12]
数组,其中包含所需的类标签。
下面的示例摘自HiddenMarkovClassifierLearning文档页面 ,该示例应该有助于给出向量的组织方式!
// Create a Continuous density Hidden Markov Model Sequence Classifier
// to detect a multivariate sequence and the same sequence backwards.
double[][][] sequences = new double[][][]
{
new double[][]
{
// This is the first sequence with label = 0
new double[] { 0, 1 },
new double[] { 1, 2 },
new double[] { 2, 3 },
new double[] { 3, 4 },
new double[] { 4, 5 },
},
new double[][]
{
// This is the second sequence with label = 1
new double[] { 4, 3 },
new double[] { 3, 2 },
new double[] { 2, 1 },
new double[] { 1, 0 },
new double[] { 0, -1 },
}
};
// Labels for the sequences
int[] labels = { 0, 1 };
在上面的代码中,我们为2个观测序列设置了问题,其中每个序列包含5个观测,并且每个观测由2个值组成。 如您所见,这是一个double [2] [5] [2]数组。 类标签数组由int [2]给出,只包含0到1范围内的值。
现在,为了使示例更完整,我们可以继续使用以下代码创建和训练模型:
var initialDensity = new MultivariateNormalDistribution(2);
// Creates a sequence classifier containing 2 hidden Markov Models with 2 states
// and an underlying multivariate mixture of Normal distributions as density.
var classifier = new HiddenMarkovClassifier<MultivariateNormalDistribution>(
classes: 2, topology: new Forward(2), initial: initialDensity);
// Configure the learning algorithms to train the sequence classifier
var teacher = new HiddenMarkovClassifierLearning<MultivariateNormalDistribution>(
classifier,
// Train each model until the log-likelihood changes less than 0.0001
modelIndex => new BaumWelchLearning<MultivariateNormalDistribution>(
classifier.Models[modelIndex])
{
Tolerance = 0.0001,
Iterations = 0,
FittingOptions = new NormalOptions()
{
Diagonal = true, // only diagonal covariance matrices
Regularization = 1e-5 // avoid non-positive definite errors
}
}
);
// Train the sequence classifier using the algorithm
double logLikelihood = teacher.Run(sequences, labels);
现在我们可以测试模型了,断言输出类标签确实符合我们的期望:
// Calculate the probability that the given
// sequences originated from the model
double likelihood, likelihood2;
// Try to classify the 1st sequence (output should be 0)
int c1 = classifier.Compute(sequences[0], out likelihood);
// Try to classify the 2nd sequence (output should be 1)
int c2 = classifier.Compute(sequences[1], out likelihood2);
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.