针对当前动作识别技术中通常忽略上下文信息, 且其局部形状描述对噪声敏感, 难以有效处理运动模式的类内变化等不足, 提出一种3D运动轨迹解析耦合隐马尔可夫模型的动作识别算法。定义四种轨迹基元(直线、平面圆弧、左螺旋线与右螺旋线), 采用基于Kalman 的线性平滑器来降低干扰信息与异常值, 将3D轨迹分解和解析成不同的轨迹基元, 充分减少干扰信息对轨迹数据的影响, 同时保持形状和运动特性。为了避免丢失详细的局部形状信息, 设计一种形状描述符, 将轨迹基元进一步分割成子基元, 将每个运动轨迹表示为子基元的时间序列。引入隐马尔可夫模型, 根据运动数据的先验知识来模拟运动分类, 基于最大后验概率准则来进行运动识别。实验结果表明: 与当前流行的动作识别算法比较, 所提算法能有效识别各种动作类别, 对尺度变化, 以及局部噪声和局部遮挡具有更高的识别精度。

为解决传统物体形状分类方法存在训练时间长以及形状描述不准确的问题, 提出一种基于改进贝叶斯程序学习的图像分类方法。先将物体轮廓进行预处理并分割为长度固定的轮廓片段, 使用形状描述符记录其形状信息, 然后采用高斯混合模型对同一类物体的轮廓片段集训练出轮廓片段库, 最后从测试图像的轮廓上均匀提取10个轮廓片段作为测试样本的解析, 使用贝叶斯分类器计算样本解析与每类轮廓片段库中轮廓片段的拟合相似度, 以其相似度值最高的类作为分类结果。在标准数据库Animal上的实验结果表明, 本文方法具有较高的分类精度, 同时大幅度缩短了训练时间。