Ricostruzione tridimensionale di azioni e Riconoscimento mediante Modelli di Markov Nascosti

11
Il descrittore utilizzato consente un robusto inseguimento temporale delle
posture rispetto alle configurazioni assunte dal voxel-set in istanti successivi
e inoltre le Matrici di Feature si sono rivelate adatte al nostro problema di
riconoscimento.
Per la soluzione del problema è stato poi necessario il progetto di un siste-
ma di riconoscimento che permettesse di assegnare una certa azione (quindi
un pattern non noto) alla classe più probabile tra quelle disponibili.
Per realizzare questo obiettivo si è scelto di utilizzare una tecnica di
Context-Dependent Classification: si assume che un'azione sia composta da
un insieme di posture, ciascuna rappresentata da un vettore di feature, e che
le diverse posture non siano tra loro indipendenti.
Il progetto si è basato sull'utilizzo di Hidden Markov Models, un metodo
consolidato per la descrizione di processi statistici complessi non osservabili
direttamente, le cui caratteristiche sono desumibili soltanto a partire da una
sequenza di osservazioni. Tali modelli sono particolarmente adatti in ambiti
come il riconoscimento del parlato e il riconoscimento di azioni, in cui è
inevitabile che si crei una certa correlazione tra feature successive, siano esse
rappresentative di fonemi oppure di posture del corpo come nel nostro caso.
Un Modello di Markov è un sistema a tempo discreto che evolve assumendo
in ogni istante un certo stato, appartenente ad un insieme finito di possibili
stati distinti: un processo di questo tipo è osservabile nel senso che gli stati
successivamente assunti dal sistema (l'uscita del processo) corrispondono ad
eventi direttamente osservabili.
Si parla di Modelli di Markov Nascosti quando il processo di Markov non
è più direttamente osservabile: le osservazioni disponibili in un certo istante
non coincidono con gli stati del modello, ma sono una funzione probabilistica
di tali stati, non più accessibili.