1、機器人技術(shù)的發(fā)展日新月異，在我們的日常生活中，機器人隨處可見。但是，若想讓機器人真正的融入到人類的社會中，則機器人必須具有能夠理解并學(xué)會與人之間的交流方式。而在眾多的新型人機交互技術(shù)中，手勢識別以其簡單自然的交互特點和豐富的表達(dá)能力深受研究人員的青睞，有著廣闊的應(yīng)用前景。
　　針對靜態(tài)手勢識別，首先通過 Kinect傳感器獲取手勢的深度信息和彩色圖像，選擇合適的深度閾值從彩色圖像中將手勢區(qū)域從復(fù)雜的背景中提取出來；然后在 HSV顏

2、色空間下對手勢圖像進(jìn)行膚色分割，并對獲得的手勢二值圖像進(jìn)行中值濾波處理，去除圖像中的噪聲；再對手勢圖像進(jìn)行特征提取，從圖像中計算得到七個HU矩不變量和兩個緊密度特征；最后使用HU矩的前三個不變量和兩個緊密度特征作為特征信息，對 SVM進(jìn)行訓(xùn)練，并使用訓(xùn)練得到的分類器進(jìn)行手勢的分類識別。實驗結(jié)果表明，該方法對背景干擾、光照變化、平移、旋轉(zhuǎn)和縮放等影響具有很好的魯棒性，且準(zhǔn)確率高。
　　針對動態(tài)手勢識別，首先利用 Kinect傳感器對

3、手勢進(jìn)行跟蹤，通過確定手勢骨骼運動信息的起點和終點來獲取手勢的運動軌跡序列；然后使用分類決策樹，根據(jù)手勢中點與起點、終點形成的向量角的大小，對手勢進(jìn)行初次的分類，縮小手勢的識別范圍；最后對 DTW算法進(jìn)行了優(yōu)化，將搜索路徑限制在一定的斜率范圍內(nèi)，以減小計算量，縮短路徑搜索所需的時間，并對累計距離設(shè)置合適的閾值，當(dāng)矩陣中某一行的累計距離都超過閾值時，提前停止搜索。實驗結(jié)果表明該方法在保證識別率的前提下，提高了算法的識別速度。
　　最