蔡 旻 高涵文 李华一 陶重犇

1(苏州科技大学天平学院 江苏 苏州 215009) 2(苏州科技大学电子与信息工程学院 江苏 苏州 215009)

0 引 言

随着对直观、简单的人机交互需求的持续增长，近年来手势识别研究领域受到越来越多的关注。手势识别系统主要分为两类：基于数据手套的手势识别[1]和基于计算机视觉的手势识别[2]。前者需要戴上数据手套，通过数据手套将用户的手势信息传递给计算机，如李秀艳等[3]提出了一种基于深度学习的可穿戴手套进行动态手势系列识别的方法。该方法虽然定位准确，处理方法快，但是需要人们佩戴特定的设备，影响了人们的活动自由。为了满足手势识别的自然性与易操作性，本文利用Kinect获取人手臂的位置，然后利用深度信息分割出人手臂的区域，硬件部分简单且成本低廉，使用起来也自然简便。

基于计算机视觉的手势识别主要有基于肤色模型[4-5]和基于分类学习[6-7]的两种识别方法。本文提出的手势识别方法属于分类学习的范畴，主要运用HMM、Adaboost学习等算法结合SIFT等特征进行识别。例如，马杰等[8]提出密集卷积与空间转换网络相融合的识别方法，该方法需采集大量样本、训练时间长、效率低；杨学文等[9]综合手势主方向和类-豪斯多夫距离模板匹配法，较好地解决了手势发生形变时识别率较低的问题。但在传统的手势识别中，基本都是采用人工提取特征的方式，这样有一定的主观性和局限性。而卷积神经网络(CNN)可自动提取图像中的有用信息并学习，在一定程度上解决了这个问题。……