侯莹莹，李建军

(内蒙古科技大学 信息工程学院，内蒙古 包头 014010)

随着机器视觉、人工智能及虚拟现实技术的日渐成熟，手势识别成为人机交互领域的一个前沿课题和研究热点.由于动态手势识别能够更多、更完整地表达人类所需的语义信息，所以在许多领域有着广泛的应用前景，如手语字母翻译[1]，智能家居，游戏手势等.

动态手势的识别和分类仍面临许多困难和挑战，如动态手势可变的时间序列，复杂的空间关系，特征缺失等问题.目前手势识别研究主要基于传统机器学习和深度学习.刘江华等[2]将计算得到的光流场映射在特征空间上，通过映射系数建立手势模板.然而单一的光流特征无法完整描述手部的变化.王贺贺等[3]采集边缘特征点，建立边缘轨迹，之后采用线性SVM进行分类和预测.但这种方法具有算法计算时间长的缺点.谷学静等[4]运用CNN和LSTM的融合网络对采集到的动态手势数据进行分类，该方法易受模型参数影响，需要大量时间匹配合适的模型参数，并且容易丢失手势特征的细节信息.陈国良等[5]在动态手势识别中使用隐马尔可夫模型(HMM)融合，通过体感控制器(Leap Motion)获得手势数据，提取4类手势特征，建立并融合4类特征HMM中的发生概率，最终识别结果为最大概率的手势，该方法对设备要求较高.

针对动态手势的空间可变性和时序复杂性，提出了融合时空特征的动态手势识别方法.对动态手势视频提取关键帧和手势关节……