Künstliche Intelligenz fur ortsbasierte Dienste - Lehrstuhl für Mobile ...

Das HMM geht etwas weiter. Damit soll es möglich sein, Aussagen über das Wetter zu
treffen, ohne die tatsächlichen Zustände überhaupt beobachten zu können. Das heißt, die
eigentlichen Zustände sind nicht sichtbar (hidden). Stattdessen hat man andere Zustände
mit Wahrscheinlichkeitswerten von denen man auf die versteckten Zustände schließen soll.
Im Wetterbeispiel würde man z.B. die Zustände beobachten: sehr trocken, trocken, feucht
und nass. Das Hidden Markov Model darauf angewendet würde nun die
Übergangswahrscheinlichkeiten der Wetter-Zustände darstellen wie in Abbildung 7 [Rab89].
sehr
trocken
trocken feucht nass sichtbar
Sonnig Regen
Bevölkt
Abbildung 7: Hidden Markov Modell welches das Wetter beschreiben soll. Quelle: [Rab89]
verborgen
In ihrer Arbeit nutzen Blanke und Schiele (2009) beispielsweise Hidden Markov Modelle
um Tagesroutinen zu erkennen [BS09]. Sie beobachten dabei aber nur simpelste Aktionen
wie sitzen, essen, laufen, Hände waschen, etc. In diesem Falle sind also die eigentlich
festzustellenden Zustände nicht sichtbar, weil sie selbst gar nicht beobachtet werden. Um
die Erfassung komplexer Aktivitäten zu erkennen, werden hier schichtweise Daten von
HMM zu HMM übergeben (Von Oliver et al. (2002) auch Layered HMM (LHMM) genannt
[NO02]).
Somit war es zum Beispiel möglich, die Aktivität Präsentation halten über Aktionen wie
Sprechen, Schreiben, nichts tun, etc. zu erkennen. Da die HMM normalerweise nur seperate
Ereignisse erkennen können aber nicht die Aktionen selbst einem ganzen Vorgang
zuordnen können, wurden Hirachien der HMM gebildet. Somit war es möglich Vorgänge
zu erkennen, wie sich im Supermarkt oder in der Videothek aufhalten.