随着多功能相控阵雷达不断发展, 其展现的多功能状态和自适应能力强的特性使得传统行为辨识方法无法适应现代战争需求。对此, 提出一种基于改进 D-S证据理论的雷达行为状态识别方法,该方法将空间运动状态和天线扫描方式作为辅助特征, 通过改进D-S证据理论将双链HMM估计结果进行融合, 得到最终识别结果。仿真实验结果表明, 所提方法能有效解决传统 D-S 证据理论不能处理的证据冲突问题, 且在雷达字提取准确率下降的情况下表现出更强的鲁棒性。

为实现铜熔炼过程除尘风机转速的自动调节,提出了基于图像分析技术的烟雾浓度分级方法。通过采样窗对烟雾图像从上至下进行采样,形成时间序列,对每个采样子图进行离散余弦变换(DCT)特征提取,提取的系数视作该时刻隐马尔科夫模型(HMM)隐含状态产生的的观测值,一幅图像则分割成一个完整的HMM序列。通过对4种工况分别建立HMM,每种工况各用30幅图像训练估计模型参数,再对待测烟雾样本图像进行分类。实验结果表明,采用HMM分类的准确率最高可达95%,优于最小二乘支持向量机(LSSVM)的识别效果。

为了研究多平台传感器最优化任务规划问题中的随机性和不确定性因素,以隐马尔可夫模型(HMM)建模思想和信息熵理论为支撑,以平台传感器执行任务的单位损耗所带来的信息增益为目标函数,建立了基于多HMM过程的传感器动态规划模型,研究了多HMM过程的传感器动态规划执行步骤并进行了仿真。同时研究了在特殊情况下使用多HMM过程进行传感器动态调度的相关问题,为多平台传感器最优化任务规划问题的不确定性和随机性因素的建模与分析奠定了基础。

结合基于深度图像的手势分割不易受光照、背景变化等诸多因素影响的特点, 提出一种基于隐马尔可夫模型(HMM)的动态手势轨迹识别方法。首先采用Kinect传感器获取手势的运动轨迹, 利用模板匹配定标起始点, 速度变化确定结束点, 然后对轨迹进行高斯滤波预处理操作, 再对手势轨迹进行方向角的特征提取, 最后利用多观察值序列的Baum-Welch算法对HMM进行轨迹样本的训练, 并用Viterbi算法求取最大概率序列的方法来实现轨迹识别。实验表明, 该方法的实时性高、鲁棒性强, 并成功运用到电视的遥控模块中。

视频序列中的行为分析与识别已经成为当前计算机视觉领域的研究热点。为了更加有效地提取人体行为序列中的轮廓特征的信息，提出了一种基于局部二值模式 (Local Binary Pattern，LBP)特征的人体行为识别的算法。通过背景差分法从视频中提取完整的人体运动序列，利用 LBP算子计算运动序列的 LBP特征谱，组成样本的 LBP轮廓特征空间，接着将特征空间通过 K-means聚类的方法生成行为特征。最后，采用隐马尔可夫模型 (HMM)对特征进行识别。实验过程中，分别在两个公共行为数据库上进行了测试实验，平均识别率能达到 85%以上，并且在两个数据库的交叉实验结果表明了本文算法具有一定的鲁棒性。

针对单一的隐马尔科夫模型(HMM)或支持向量机(SVM)在模拟电路早期的软故障中识别率不高的特点, 将HMM-SVM混合模型应用到模拟电路早期的软故障识别中。首先通过主成分分析(PCA)将原始数据样本降维实现初步划分; 接着利用HMM计算测试样本与各故障状态的匹配程度形成特征向量; 最后由SVM做故障状态判别。实验结果表明, HMM-SVM混合模型的早期故障识别率优于单一的HMM或SVM模型, 将平均故障识别率提高到95%以上。

针对人脸识别的鲁棒性问题，鉴于HMM 具有良好的时间序列建模能力和SVM 在有限样本的分类方面具有优良性能，采用一种基于HMM-SVM 融合模型的鲁棒人脸识别算法。首先将归一化人脸图像用采样窗从上到下进行采样，采用DCT 和SVD 提取各个采样窗图像的特征参数并串接成观察向量，然后由每个人的训练图像的观察向量训练得到每个人HMM 模型，将测试图像的观察向量采用Viterbi 算法求出对应于每个人HMM 模型的输出概率，最后将输出概率送入支持向量机进行分类训练及识别测试，得到人脸识别结果。在ORL 库和Yale 库的实验表明该算法的识别率高于传统的单一HMM 方法和SVM 方法，鲁棒性有一定的提高。

为了提高分类精度,提出一种基于奇异点和隐马尔可夫模型(HMM)融合的指纹分类方法。分别对基于奇异点的指纹分类方法和基于HMM的指纹分类方法的信任度函数进行分配,利用证据理论求得两种方法联合作用下的基本可信度分配值。最后,根据纹形模式判定规则,选择具有最大支持度的目标完成指纹纹型分类。利用提出的方法在国际指纹竞赛数据库上做了测试,总的纹型辨识平均正确率可达94.5%,识别结果优于奇异点分类方法和HMM分类方法,具有一定的实用价值。

基于人体模型的跟踪方法易于实现视频的运动人体跟踪,而且利用较少的视频帧数即可学习获得人体模型。本文针对给出的视频提出了学习人体模型的学习算法。利用片图模型表示未经学习的人体,改进的隐马尔可夫模型( HMM)模拟人体在视频序列各帧间的运动,并使用机器学习方法对该改进的HMM进行推理,获取改进HMM的参数,从而获得所需的人体模型。学习得到的人体模型由包含颜色信息的各人体肢体模板组成。实验显示只用80～90帧包含有人体运动的序列图像,便可学习得到该运动人体的人体模型。结果表明,该学习框架效果明显,可用于快速学习视频序列中的运动人体模型,且可用于学习一人或多人的人体模型。

为了能够自动而且快速地获取唇读系统中所必需的唇形轮廓特征,提出了将正交压缩变换的方法用于唇形轮廓的特征提取,并对得到的唇形轮廓曲线进行了分析研究.通过离散傅里叶变换(DFT)和离散余弦变换(DCT)分别得到描述唇形轮廓特征的傅里叶描述子和离散余弦变换描述子,然后将两类描述子作为唇形轮廓的特征向量,采用隐马尔可夫模型(HMM)进行学习和识别.基于独立汉字发音的实验表明:在达到40%的识别率时,刻画唇形轮廓特征所需的离散余弦变换描述子数目为15个,傅里叶描述子数目为20个.在相同的识别效果时,刻画唇形轮廓特征所需的离散余弦变换描述子数目少于傅里叶描述子,可减少数据运算量和运算所需时间.