复杂交互行为识别：基于时空关系与多层HMM

"基于时空关系的复杂交互行为识别 (2014年) - 王生生，杨锋，刘依婷，王伟烈，李洋 - 吉林大学学报(工学版) - Vol.44 No.2 - 2014年3月 - 论文" 本文是王生生等人在2014年发表于《吉林大学学报(工学版)》的一篇论文，主题聚焦于复杂交互行为的识别，特别是在人工智能领域的应用。作者提出了一种创新的识别方法，该方法利用时空关系和多观察值的三层隐马尔科夫扩展模型来处理和解析复杂的多目标交互活动。 在传统的行为识别中，单一的行为特征可能无法充分捕捉到复杂交互活动中的多层次信息。因此，作者首先针对这一挑战，提出了提取三个粒度行为特征的方法，分别是整体行为特征、双人交互特征和单人行为特征。这种分层特征提取考虑了活动的结构化和目标间的时空关联，从而能更全面地描述交互过程。 接着，为了匹配这些多层次的特征，他们设计了一种多观测值的三层隐马尔科夫扩展模型（Extended Hidden Markov Model with multi-observations and multi-layers）。隐马尔科夫模型（HMM）是一种常用的行为建模工具，而扩展的三层结构则能更好地处理复杂的时序行为序列，每层对应一种粒度的行为特征。通过这种方式，模型能够学习和理解不同粒度的行为模式，提高识别的准确性。 实验结果显示，采用新的特征提取技术和模型进行复杂交互行为识别，能够达到较高的识别率，并展现出良好的鲁棒性。这意味着即使在有噪声或部分信息缺失的情况下，模型也能稳定地识别出交互行为。 关键词涉及：人工智能、时空关系、交互行为、三层多观察隐马尔科夫模型以及三层特征。文章的发表对于推动人工智能在行为分析和理解领域的进展，尤其是在监控、安全、健康监护等应用场景，具有重要的理论和实践意义。 这篇论文的研究工作不仅提供了理论上的贡献，还为实际系统的设计提供了可行的技术方案，对于后续的研究者和开发者来说，是探索复杂交互行为识别领域的一个重要参考。