1. 研究目的与意义
手势识别使人们能够与机器（hmi）进行通信，并且无需任何机械设备即可自然交互。 使用手势识别的概念，可以将手指指向计算机屏幕，使得光标将相应地移动。 这可能使常规输入设备（如鼠标，键盘甚至触摸屏）变得冗余。
手势取代传统的敲击键盘或点击鼠标作为输入来控制自己的计算机，能够使人与机器之间的交互湿得更加智能化、自然化，而且可将人们在日常生活中所获得的经验，直接运用到交互活动中，能够充分提高虚拟世界中的可操作性，并且可在虚拟世界中完成更加复杂的任务。近年来，电子游戏开始逐渐进入我们的生活，并成为人们日常必不可少的一部分，尤其是虚拟现实技术的发展，如何将手势控制加入虚拟现实中，也是当前一个非常重要的研究方向。
在社会服务方面，手势识别可以辅助聋哑人生活。手语是聋哑人表达自我的主要方式，但对于未经过手语训练的人，理解这种语言却并非易事。将手势识别技术应用到手语认知上，将大大提高聋哑人与普通人的交流
2. 研究内容和预期目标
在计算机科学中，手势识别是通过数学算法来识别人类手势的一个议题。手势识别可以来自人的身体各部位的运动，但一般是指脸部和手的运动。用户可以使用简单的手势来控制或与设备交互，让计算机理解人类的行为。其核心技术为手势分割、手势分析以及手势识别。
手势的时间特征是在一段时间内手部的空间位置的相对变化和手势在时序中的变化规律，空间特征是在某个时刻手部的形状，是体现手掌与各手指，以及每个指节的相对位置的特征。基于时空特征的手势识别是在某个时刻的手势识别，即空间特征的基础上，进一步将一段时间内的关键手势串联起来，形成更具有意义的手势信息，以便人机交互。
研究内容主要包括图像获取，手势检测和分割，手势分析，静态手势识别，动态手势识别。
3. 国内外研究现状
手势检测与分割方面，主要方法有基于运动信息的检测、外观特征的检测、骨架模型的检测等。
手势分类的方法主要有基于模板匹配、深度学习算法、机器学习算法、几何特征、hmm和dtw等。模板匹配法是最早被提出来的识别方法，也相对容易，多用于静态手势识别。该方法是将输入图像与模板（点、曲线或形状）匹配，并根据匹配相似性进行分类。坐标距离、点集距离等，轮廓边缘匹配、弹性图匹配等都可以用于匹配度计算。模板匹配法在小样本的情况下速度非常快，对于光照、背景变化的适应性较好，应用范围广，但分类精度不高，可以识别手势的类型有限，适用于小样本、形状变化小等情形。基于深度学习的手势识别方法是现在的主流，使用基于深度学习算法去检测roi，特征提取和自适应深度卷积网络被用于手势分类。机器学习可以让计算机在海量数据中产生符合数据一般规律的模型，手势识别可以通过许多流行的机器学习分类算法来解决，如支持向量机、k-最近邻算法(k-nearest neighbor,knn)等。隐马尔可夫模型（hidden markov model,hmm）是一种基于贝叶斯的统计模型，主要处理基于时间序列或状态序列问题。隐马尔可夫模型适用连续手势识别场景。在连续信号的应用中，隐马尔可夫模型训练和识别属于计算密集型的。动态时间规整（dynamic time warping,dtw）是一种非线性时间归一化的匹配技术，解决了两个序列长度不一致的匹配问题，广泛应用于语音识别、图像匹配、手势分类等领域。在手势样本模板库比较小的情况下，dtw算法在不同运动速度手势的匹配和识别方面表现优异。但是，当手势样本模板库比较大的情况下，该算法的识别速度以及稳定性会大大下降，特别是当手势比较复杂，或者是双手手势的组合情况下。
特征提取有全局特征和局部特征，一般会结合使用。
4. 计划与进度安排
首先是对图像的处理，获取手部信息，包括手部的位置、色彩、形状等，其次根据手部信息进行特征提取，主要包括手指特征、手势位置等，接着运用机器学习、HMM方法、DTW方法等构造识别模型，寻求最优方案
5. 参考文献
[1] 解迎刚,王全.基于视觉的动态手势识别研究综述[j].计算机工程与应用,2021,57(22):68-77.
[2] 张维,林泽一,程坚,柯铭雨,邓小明,王宏安.动态手势理解与交互综述[j].软件学报,2021,32(10):3051-3067.
[3] huang yao;yang jianyu.a multi-scale descriptor for real time rgb-d hand gesture recognition[j].pattern recognition letters,2021,4(144):97-104.
