1、基于視覺信息的手勢識別是指基于手勢的圖像或視頻信息，由計算機利用模式識別技術(shù)獲取手勢的類別或語義的方法。由于手勢具有多樣性、多義性、復(fù)雜變形性、時空差異性等特點，基于視覺的手勢識別一直是計算機視覺領(lǐng)域非?；钴S和富有挑戰(zhàn)性的研究課題，同時也是新一代人機交互技術(shù)中的熱點問題之一，受到了國內(nèi)外研究人員的廣泛關(guān)注。本文在分析與總結(jié)國內(nèi)外相關(guān)研究的基礎(chǔ)上，針對基于視覺信息的手勢識別算法與模型進行了深入系統(tǒng)性的研究，主要研究內(nèi)容和成果體現(xiàn)在以下幾個

2、方面:
　　研究了基于統(tǒng)計膚色模型的手勢分割方法，對不同膚色在不同光照條件下在RGB、HSV、YCbCr色彩空間下的聚類效果進行對比分析，并在YCbCr色彩空間的基礎(chǔ)上提出了針對特定成像設(shè)備在非線性轉(zhuǎn)換后的YCb'Cr'空間上的橢圓膚色模型，排除了部分光照影響，并使檢測更加準確快速。
　　研究了靜態(tài)手勢輪廓特征提取方法，提出了基于GVF snake模型與膚色模型融合的手勢輪廓特征提取方法，算法利用橢圓膚色模型快速檢測出手部區(qū)

3、域輪廓作為GVF Snake模型搜索的初始輪廓曲線，為GVF Snake模型提供了較準確的初始輪廓曲線，改善了GVF snake模型的檢測效果，并結(jié)合圖像分塊的思想在經(jīng)膚色模型檢測出的手勢區(qū)域上進行運算，有效減少了計算量。
　　研究了動態(tài)手勢檢測方法，針對基于貝葉斯準則背景差分法的動態(tài)手勢檢測算法存在干擾區(qū)域多、計算時間較長的問題，提出了基于局部背景更新和膚色模型融合的運動手勢檢測方法，在提高了檢測速度的同時仍能較好地檢測出運動手

4、勢的前景區(qū)域。該方法對環(huán)境的適應(yīng)性強，即使在復(fù)雜背景下仍能準確檢測出運動手勢。
　　研究了基于歸一化傅里葉描述子與RBF神經(jīng)網(wǎng)絡(luò)的靜態(tài)手勢的識別方法。針對手臂區(qū)域的干擾問題，提出了依據(jù)手部幾何形狀特性的手臂區(qū)域去除算法，該算法通過構(gòu)建膚色區(qū)域的最小外接矩形的方法搜索手腕位置，進而有效去除了手臂區(qū)域的干擾。此外，該方法在構(gòu)建最小外接矩形時利用凸殼邊界信息尋找最小外接矩形，與傳統(tǒng)構(gòu)建方法相比，計算量顯著降低;研究了歸一化傅里葉描述子表

5、示手勢輪廓特征的方法，提出通過分析手勢輪廓的傅里葉描述子能量分布情況選擇描述子數(shù)目的方法;研究了以歸一化傅罩葉描述為特征通過RBF神經(jīng)網(wǎng)絡(luò)的靜念手勢識別方法，獲得了較理想的識別效果。
　　針對手勢跟蹤這一手勢識別中的難點和重點問題，將具有計算量小、實時性好、無偏和最優(yōu)等特點的Kalman濾波器與本文膚色模型相結(jié)合，實現(xiàn)了快速的運動手部目標的跟蹤。在kalman濾波器的參數(shù)設(shè)計方面，選擇了由膚色模型檢測出的手部運動區(qū)域的質(zhì)心位置、最

6、小面積外接矩形寬和高等幾何特征作為運動目標的基本運動參數(shù)，并提出了手勢運動目標的空間結(jié)構(gòu)特征和基于Bhattacharyya系數(shù)的膚色概率特征相結(jié)合的匹配算法，保證了目標匹配的準確性。實驗表明本文方法提高了手勢跟蹤算法的效率和魯棒性，并能較好地處理手勢在運動過程中出現(xiàn)的手形變化、軌跡變化等情況。
　　在動態(tài)手勢識別中，針對膚色模型可能出現(xiàn)的誤檢情況，提出了基于運動信息和標簽法的非手勢膚色區(qū)域干擾去除方法;針對手勢軌跡分割的不確定性

7、問題，提出了基于預(yù)設(shè)檢測區(qū)域動態(tài)手勢起止位置的分割方法，并采用三次樣條插值算法對手勢的運動軌跡插值得到手勢的光滑運動曲線;針對手勢運動軌跡的時空差異性問題，提出了利用位置歸一化和相鄰軌跡點之間角度來表示運動軌跡特征的方法;提出了通過相鄰軌跡點之間的距離計算手勢序列的關(guān)鍵幀方法，并通過計算關(guān)鍵幀手勢輪廓的傅里葉描述子來識別關(guān)鍵幀手勢類型;提出了采用軌跡點的歸一化坐標、該軌跡點與前一軌跡點的角度、該軌跡點所處關(guān)鍵幀手勢類型來構(gòu)成手勢序列的特