郭紫嫣， 韩慧妍， 何黎刚， 韩 燮

(1. 中北大学 大数据学院， 山西 太原 030051； 2. 华威大学， 计算机系， 考文垂 CV4 7AL)

手势是人们日常生活中沟通交流的一部分， 随着科技的进步以及智能设备的发展， 手势作为一种自然、 直观的交互方式逐渐应用于人机交互， 在模拟实战游戏、 航空航天、 智能家居、 安全驾驶等方面都有广泛应用. 手势识别是使用采集设备获取各种手势动作， 通过模式识别或者其他方法对人类手势动作进行解释的新型技术[1]. 在人机交互中， 为了使计算机能够准确识别手势， 理解手势代表的含义并做出相应的操作， 提升手势识别的准确率就显得尤为重要. 目前， 对手势识别的研究主要分为三类： 基于外部硬件设备的手势识别、 基于计算机视觉的手势识别以及基于深度学习的手势识别.

基于外部设备的手势识别技术通常需要借助一些外部设备对手势进行采集与识别[2-4]， 如基于可穿戴数据手套、 Kinect、 Leap Motion的手势识别. 这一类方法识别准确度高、 速度快， 但是其硬件设施昂贵、 操作不方便. 基于计算机视觉的手势识别主要包括手势分割、 特征提取和识别三部分. 手势分割是利用肤色在RGB[5]、 HSV[6]、 YCbCr[7]等颜色空间下建模对人手进行分割提取. 特征提取通常采用SIFT[8]、 HOG[9]、 SURF[10]等描述符对手势进行特征提取. 手势识别算法包括基于模板匹配和基于数据分类的方法[11-12]， 这类方法容易受到光照、 人工设计特征、 计算复杂度高等影响而导致手势识别率不高、 鲁棒性较差.

近年来， 深……