手势识别技术是一种基于计算机科学技术，以通过模式识别方法对人类手势动作进行解释为目标的新兴技术。现代社会人与计算机之间的人机交互活动越来越成为人们日常生活的关键组成部分，而传统的人与计算机之间的人机交互方式，例如麦克风、手写板、鼠标、键盘等己逐渐成为人机交互的瓶颈，而且这些交互方式需要人们去适应人与计算机之间的交互，须按照先前规定的方式完成交互任务，已不能满足人们的需要，新的人与计算机之间的交互方式的研究便得越来越重要，此时一种新型的交互方式，即人机交互（Human-Computer Interaction）已然成为这个时代的最显著特点之一。其中基于手势识别的交互活动在自然性和易用性上有其独特的优势，成为众多交互方式的研究热点之一。对于其他识别来说，如人脸识别、眼睛识别、指纹识别和车辆识别等，对人手识别定位是最困难的。人手具有的多义性、多样性以及不确定性（在时间上和空间上的差异性），以及人手跟其他比起来更灵活的特点，因而，对人手识别定位与跟踪的研究成为人机交互研究热点，也对人们提高人机交互水平以及开发计算机高性能具有非常重要的意义。手势识别是一种新兴技术的产物，涉及学科广泛，应用场景多样，对手势识别的研究具有重要价值，比如可以体现在以下这些应用点：人机交互、虚拟现实、商务领域、健康助理、浸入式游戏技术，自动驾驶等方面。

最开始的手势识别技术需要用户穿戴上带有传感器的机械设备，这种设备将人和机器连接起来，可以采集手部位置信息并将这些数据通过数据线传入计算机进行识别。这便是数据手套的由来，这种方式设备复杂，应用成本较高。后来出现了光学标记的方法，在人手上标记光学信号点，利用红外线或其他光学手段进行目标跟踪和信息收集，再传入计算机重构、运算。这种方式类似于广泛应用在电影拍摄的动作捕捉技术。然而，尽管这种方式实现便捷，并且数据更加准确和详细，但在追求设备使用便利化的今天，这些借助外部设备而的识别方式并不能满足人们的需求，于是，结合计算机视觉的识别方式出现了。这也是目前主流的研究方向。

从上世纪九十年代开始，美、英等国的众多科学家就花了大量的财力和物力用于手势识别的研究，也取得了许多成果，例如：能够模仿人的手势和人们进行握手的“Berti”机器人，目前它陈列在英国伦敦博物馆，它就是一部经典的代表作。在应用领域，由前微软工程师组成的 Perceptive IO 团队已经开发出了能够以每秒 1000 帧的速度识别手势的算法，并进行了成果展示，实现了对高速目标的低延迟超快速跟踪。为了识别更复杂的手势，他们使用了卷积神经网络的方法运用在算法中，可以清除地跟踪分离出镜头前的左右手，学术领域方面。Grimes 是最早使用数据手套进行手势识别的人，并由此取得数据手套方面的技术相关专利。后来麻省理工的 J.Divas 和 M.Shah 提出了隐马尔科夫模型，随即这一方法也便被应用到手势识别中。随着语音识别的应用，动态手势识别领域出现了HMM 模型。基于视觉的手势识别技术研究在国内起步相对较晚，但后续的研究势头和发展速度比较快。1994 年，高文等人对于静态环境中的手势目标进行了识别研究，一年之后，他们又研究了基于动态复杂背景的目标手势的识别研究；2017年，百度就已经实地上路实验了自己无人驾驶车辆国内著名无人机厂商大疆也发布了可以手势控制的“晓”SPACK 无人机，可以说，国内业界也已不甘人后积极地寻求将手势识别技术带入市场当中。

2. 研究的基本内容与方案

本文是研究基于Opencv的手势识别与跟踪研究，手势识别技术通常有数据采集、数据预处理、特征提取和识别分类几个不同技术阶段。目前手势识别主要有基于计算机视觉、基于超声波和基于惯性传感器三种实现方式,本文研究方向是基于计算机视觉。本文主要借助Microsoft Visual Studio 2015开发平台，对 Open CV 开源库进行配置，完成对人手势图像和视频的肤色分割、平滑处理等预处理工作.

基于计算机视觉的手势识别方法通常包含数据处理、手势分析、识别分类三个过程。数据处理阶段系统将摄像头采集的视频进行帧分离处理，把单一手势图像从视频帧中分离出来，并对数据作平滑、锐化等预处理。然后检测是否有手势图像，如果检测出手势图像，则将手势图像与背景进行分离处理，设计主要框图如下：

图像预处理主要针对图像噪声，光线变化等情况进行相关处理，手部跟踪模块主要任务是实现对手部的连续跟踪并为动态手势识别提供必要的准备工作；手势识别模块主要包括静态手势识别和动态手势识别两个部分，其中静态手势主要作为系统的控制手势，而动态手势识别主要用于内容表意。