噪音和部分错误观察数据的强烈影响。
最后我们评估了BIHS策略（Fig.24c）。回忆APF成功评估了躯干参数但是手臂评估错误，而PS在获得躯干参数正确的情况下得到了手臂的较好评估。尽管HUMANII序列分割得到非精确前景掩模IF和噪音影响，BIHS仍能够减少评估错误维持在较低水平，大约50-60mm。即使使用变量variant仅为APF或PS的四分之一，仍能得到较好结果，只是鲁棒性稍有减弱。
我们在序列S4用最好的变量重复实验，这次跟踪模型的全部51个自由度，增加了低位脊柱，手和脚。APF和PS早期就跟踪丢失，只有BIHS提供了和38个自由度的情况几乎相同质量的跟踪结果（Fig.25）原因在于搜索空间的严苛分块，通过增加参数评估，同时不需遮蔽先前结果。未重新出事化模型姿势，使用相同跟踪参数情况下，处理了所有序列。
Fig.24HUMANEVAII基准（序列S4）的跟踪结果。（a）APF10个分层800个粒
31 / 47
子，一次用方差规模扩散（VSD），一次用协方差规模扩散（CSD）；（b）PS用11个分块，1600或800个粒子；（c）BIHS用10个分层和800或400或200个粒子。即使仅使用粒子数的四分之一评估，尽管观察的噪音图像，BIHS比APF和PS表现出更好的跟踪行为。注意这里似乎有一个系统错误（系统错误不会低于5cm），这归因于地面实况模型和我们的模型相对关节位置的差异。视觉上，BIHS方法完成了接近于完美的结果。
Fig.25比较APF,PS和BIHS跟踪模型的51个自由度包括手和脚时的精确度和可靠度。与Fig.24比较BIHS几乎不受维度增加的影响，而APF和PS均跟踪失败。
表1描绘了APS,PS和BIHS实验中根据最近工艺水平的结果的主要帧错误和标准偏差(Taylor et al. 2010; Gall et al.2010)。我们相信如果不是因为测量中因为地面实况模型和我们模型的相对关节距离的不同导致的系统错误，BIHS的真实错误水平更低。这也解释了为什么主要错误在1250帧中从未低过50mm，之前的实验通过模仿地面实况观察发现真正达到的精确度在25mm左右(Bandouch et al. 2008)。
表1目前工艺水平方法的对比。ImCRBM-21算法使用监督训练动作模型（报告结果来自HUMANEVAI S3CCombo序列；stddevs报告的是流量之间而不是帧之间的错误，所以未参与比较）。ISA+L2算法仅通过HUMANEVAII S4序列的帧数2-821进行了评估，它跟踪28个自由度模型，报告的是比BIHS慢的量级秩序。
32 / 47
Fig.26我们给出了序列S2的两种模型的跟踪结果，和S4与Fig24和Fig25不同的模型的跟踪结果。尽管依然表现出良好跟踪结果，我们观察到精确度稍低的模型调试时，跟踪精度有轻微下降。这坚定了我们的想法，跟踪人体的精确模型对跟踪精度和鲁棒性都有影响。
自我训练 下一个实验中我们使用HUMANEVAII S4序列评估我们系统的自我训练能力。这个序列包括3中不同类型的重复动作，使它非常适合评估自我学习策略。在前380帧，目标在沿圆圈慢走，在加速成跑的动作之前至少持续了820帧。最后的部分由表示不清楚的重复模式的随机训练组成。开始没有这个序列的训练数据，即跟踪开始是一个空的邻居图表，评估到新的动作时开始逐渐增加。 Fig.27给出了自我训练动作模型预测下一时步动作的例子。最终的姿势预测表示为绿色，这里用来预测的学习动作片段表示为灰色。由于我们增长学习模型，相同序列中之前发生的动作模式与侦测的动作片段一致。可以看到，在我们的动作片段表述中，模式未全局编译，这使我们侦测匹配模式时，仅依靠被观察到的位置即可，如此增加了侦测率并减少了图表冗余。
33 / 47
Fig.27 HUMANEVAII S4序列中使用增长学习动作模型改善预测。侦测动作片段（灰色）在序列中早期已经得到训练，当处理之前观察过的动作时提高了计算效率。跟踪者首先学习了与走一致的动作片段，后来学习与跑一致的动作片段（Fig.28）。可以看到，独立依靠它们的绝对位置侦测动作片段，增加了侦测率改善了动作预测。
我们已经在细节上分析了处理过的序列来见证我们新动作模型如何影响了姿势评估的质量和计算效率。Fig.28a表示我们姿势估计的欧几里得关节错误。质量与之前实验结果进行了对比。使用学习动作模型时，跟踪者的参数设置，未期待改善跟踪质量，只是在未知案例时，也可以检索精确评估。而进入学习过的动作模式时，期待一个较高的计算效率。在Fig.28b，一旦动作片段走的动作和跑的动作被模型自我训练之后，这种改善发生了。当没有找到匹配项，评估时间每帧大约15秒（蓝色脉冲）。匹配动作一旦找到，跟踪者能够转换为一种低变量模式，评估时间降低到约2.5秒每帧（绿色脉冲）。当动作从走到跑的转换发生时，并且后来从跑到锻炼动作，新的动作模式使跟踪者转换冲综合动作模式直到新的动作被训练并添加到图表。在序列最后锻炼动作随机发生时，仅仅找到很少匹配项，绝大部分动作必须使用综合动作模型处理。总之，归功于重复动作模式的自我训练，帧数的40.1%的处理过程可以得到加速。
34 / 47
35 / 47