Modèles de Markov cachés paramétriques pour la reconnaissance des gestes

Une méthode pour la représentation, la reconnaissance et l'interprétation des gestes paramétrés est présentée. Par geste paramétré, nous entendons des gestes qui présentent une variation spatiale systématique ; un exemple est un geste de pointage où le paramètre pertinent est la direction en deux dimensions. Notre approche consiste à étendre la méthode standard du modèle de Markov caché pour la reconnaissance des gestes en incluant une variation paramétrique globale dans les probabilités de sortie des états HMM. En utilisant un modèle de dépendance linéaire, nous formulons une méthode d'attente-maximisation (EM) pour l'entraînement de l'HMM paramétrique. Lors des tests, un algorithme EM similaire maximise simultanément la vraisemblance de sortie du PHMM pour la séquence donnée et estime les paramètres quantitatifs. En utilisant des mesures de position de main tridimensionnelles dérivées visuellement et directement mesurées comme entrée, nous présentons des résultats qui démontrent la supériorité de la reconnaissance du PHMM sur les techniques HMM standard, ainsi qu'une plus grande robustesse dans l'estimation des paramètres par rapport au bruit dans les caractéristiques d'entrée. Enfin, nous étendons le PHMM pour gérer des dépendances arbitraires lisses (non linéaires). La formulation non linéaire nécessite l'utilisation d'un algorithme d'attente-maximisation généralisée (GEM) pour l'entraînement et la reconnaissance simultanée du geste et l'estimation de la valeur du paramètre. Nous présentons des résultats sur un geste de pointage, où l'approche non linéaire permet la paramétrisation naturelle en coordonnées sphériques de la direction de pointage.