谭台哲，韩亚伟，邵 阳

(1.广东工业大学 计算机学院，广东 广州 510006；2.河源广工大协同创新研究院，广东 河源 517001)

0 引 言

近年来随着科技的发展，人机交互广泛应用于人们的生活中，常见的人机交互如鼠标、键盘等，但这种交互方式限制了交互的速度和自然性[1-3]；而手作为人体结构中最灵活的部分，能够在人机交互中向电脑及其一些智能设备更加方便地传递信息。早期，人们通过穿戴一些传感器对手部数据进行采集进而对手势进行识别，这样就造成成本很高昂，不利于普及，而且穿戴很不方便。随着摄像头精度的提高，基于计算机视觉的手势识别开始流行[4]，国内的一些高校和科研机构也做了大量研究，例如，Ghosh D K等[5]提出了基于肤色分割和SVM的算法进行手势识别。因为手部是人体最灵活的部位之一，各种动作可以产生很大的扭曲性，为了保证鲁棒性，Yimin Zhou等[6]提出了一种把手掌和手指分开并分别取特征的方式进行手势识别，常亚楠等[7]使用HMM进行动态的手势识别，这些方法取得了不错的效果。然而，在手势识别的过程中，手部动作的采集受到光照、复杂背景、硬件特性的影响，识别准确率不高，而且不同环境识别结果偏差比较大。随着深度图像的引进，研究人员通常在识别的过程中运用彩色图像信息与深度信息相结合的方法[8-11]，蒲兴成等[12]使用了改进Hu矩算法的Kinect手势识别，Zhaojie Ju等[13]提出了基于EMD距离和Lasso算法的深度图像手势识别，吴晓雨等[14]提出了基于深度人手定位和HOG特征的静态手势识别算法及基于改进HMMs的动态手势识别算法。……