手势识别作为计算机视觉领域的重要课题之一,近年来得到各行业研究人员的广泛关注。随着人工智能技术的发展,人机交互逐渐渗透进工业生产和日常生活的各个方面,而手势识别作为人机交互的重要手段之一,其研究也有了更重要的现实意义。Kinect传感器的出现,为手势识别方法提供了研究的新思路。本文基于Kinect传感器采集到的RGB-D图像对手势识别方法展开研究,从三个角度对手势的特征提取方法进行了创新,并对手势的匹配识别方法进行了一定的改进,实现了对手势识别准确率和效率的提高。本文首先对包含手势的图像进行预处理,利用Kinect传感器采集到的深度图像中的深度信息对手势进行分割,去除背景等噪声的影响,只保留手势区域,选择Canny算子对手势轮廓进行提取,获得较为清晰的手势轮廓图像,为后续的手势特征提取提供便利。接着,本文提出了一种基于手指增强描述的手势识别方法。针对手势轮廓的特殊性,我们在对手势轮廓特征描述阶段引入手指增强系数,对手指部分轮廓点进行强调,突出手指部分的特征信息,构造了手势轮廓的多尺度描述子。该方法在基于动态时间规整算法的手势匹配与识别实验中取得了100%的识别精度,而在基于BP神经网络算法的识别实验中保证了99.4%的识别精度的同时仅耗时0.000941秒,体现了该方法的高效性和实用性。在对手势轮廓点序列进行特征分析后,本文还提出一种基于显著特征点提取的手势识别方法。通过设置筛选策略,对手势轮廓点序列上的冗余信息点和部分噪声点进行删除,仅保留显著特征点,再基于显著特征点序列对手势进行特征提取和表示。该方法使用改进的动态时间规整算法对手势轮廓进行匹配识别,加入显著特征点在原手势轮廓点序列中的绝对点序信息作为手势轮廓的另一特征参数,实现了手势匹配过程中点与点之间更精确的对正。实验数据表明,该方法对于手势的刚性形变、铰接形变具有很好的不变性,且在标准数据库上也取得了较好的结果。此外,本文基于Kinect传感器采集到的手势图像的深度信息,提出了一种基于3DSC算法的手势识别方法。该方法在经典的SC算法的基础上,结合手势轮廓的深度信息对手势进行描述。在特征提取过程中,我们将手势轮廓点分类放入SC网格,再对同一网格内的手势轮廓点的相对深度值进行求和,将所得的值代替原SC算法中的点数值,从而实现对手势轮廓的三维形状上下文表示。基于该算法的手势识别方法在实验中表现出显著的优越性,取得了很高的实验精度。