基于HMM的动态手势识别

人体姿态识别在人机交互, 游戏以及医疗健康等领域有着深远意义, 基于便携式传感器进行多种人体姿态高精度的稳定识别是该领域的研究难点. 本文采集了8种姿态的高频传感器数据, 提取原始数据的窗口时域特征组成数据集. 根据人体姿态的传感器数据特点将人体姿态划分为4个阶段, 使用高斯混合模型(Gaussian Mixture Model, GMM)拟合人体姿态的观测序列, 结合隐马尔可夫模型(Hidden Markov Model, HMM), 利用GMM-HMM算法进行姿态识别. 本文对比了不同窗口值下的一阶隐马尔可夫模型(1 Order Hidden Markov Model, 1OHMM)和二阶隐马尔可夫模型(2 Order Hidden Markov Model, 2OHMM)的效果, 当窗口值为8时, 2OHMM的性能最优, 整体召回率达到了95.30%, 平均准确率达到了95.23%. 与其它研究相比, 本文算法能识别的姿态种类较多, 算法识别性能较佳且算法耗时较短.

使用OPENCV和HMM算法实现的人脸识别程序。

OpenCV基于隐马尔可夫模型（HMM）的人脸识别

使用Hmm算法，基于OpenCv框架实现的人脸识别程序

主要为大家详细介绍了python实现隐马尔科夫模型HMM，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

hmm模型matlab代码Matlab的隐马尔可夫模型工具箱 Matlab实现的标准隐马尔可夫模型（HMM）具有连续发射以及相关的HMM，这些模型允许参数随时间变化。 时变隐马尔可夫模型的研究和应用都在此基础上展开。 使用此代码时，请引用： [1] O. Carr，F。Andreotti，KEA Saunders，N。Palmius，GM Goodwin，M。De Vos，“使用智能手机加速度计的昼夜节律监测双相情感障碍的抑郁症”。 [2] Q. Huang，D。Cohen，S。Komarzynski，XM Li，P。Innominato，F。Lévi和B.Finkenstädt，“用于隐藏遥测活动数据中昼夜节律的隐马尔可夫模型”，JR Soc。 接口，卷。 15号139，2018。 职能 Baum-Welch算法-用于从无监督的观测结果集中确定HMM参数。 时变过渡概率Baum-Welch-具有时变过渡概率的Baum-Welch算法。 维特比算法-用于根据一组观测值和HMM参数确定最可能的隐藏状态序列。 时变维特比算法-用于根据一组观测值和时变HMM参数确定最可能的隐藏状态序列。 参

中文命名实体识别 数据集 本项目尝试使用了多种不同的模型（包括HMM，CRF，Bi-LSTM，Bi-LSTM + CRF）来解决中文命名实体识别问题，数据集用的是论文ACL 2018 中收集的简历数据，数据的格式如下，它的每个行由一个字及其对应的标注组成，标注集采用BIOES，句子之间用一个空行替换。 美 B-LOC 国 E-LOC 的 O 华 B-PER 莱 I-PER 士 E-PER 我 O 跟 O 他 O 谈 O 笑 O 风 O 生 O 该数据集就位于项目目录下的ResumeNER文件夹里。 运行结果 下面是多种不同的模型以及这Ensemble这四个模型预测结果的准确率（取最好）： HMM 慢性肾功能衰竭 双线性STM BiLSTM + CRF 合奏 召回率 91.22％ 95.43％ 95.32％ 95.72％ 95.65％ 准确率 91.49％ 95.43％ 95.37％ 95.74％ 95.69％ F1分数 91.30％ 95.42％ 95.32％ 95.70％ 95.64％ 最后一列Ensemble是将这四个模型的预测结果结合起来，使用“

词性标注源码，我们的源码是用C++来实现的，主要是实现了隐马尔科夫模型和维特比算法。

从hmm模型的建立，到解决hmm模型的三个问题的三种算法