复杂背景下的手势识别一直是人机交互领域的一大难题,现行手势识别方法在光照变化、背景干扰情况下存在计算量大,耗时长的问题。针对该问题提出了一种复杂环境下通用的手势识别方法,方法能提高手势识别的计算效率。整个方法包含三个部分,手势检测、手势识别和参数更新。在手势检测部分,为提高计算效率提出一种基于位运算的方法代基于替滑动窗口手势检测,该方法利用二进制方式实现支持向量机模型并且利用64位整型的特点使用位操作实现遍历从而完成目标快速筛选。方法并不精确的提取手势区域,而是在极短的时间内提取数个可能的备选窗口。手势检测部分的输入是肤色似然图,图像采集不依赖于特定的设备,一般的视觉设备都可以进行采集,计算的过程需要依赖64位运算平台。在手势识别部分,使用基于计算统一设备架构的卷积神经网络模型对手势检测部分筛选的区域进行二次判断和识别。这一部分要求同时完成二次筛选和手势识别,在网络的分类的设置上会设置手势分类和错误分类。手势识别部分所使用输入是肤色掩膜和原图像的灰度图做相交操作之后组成的图像。对于输入样本需要进行扩展使得网络对平移和旋转鲁棒。在参数更新部分,为了进一步增强方法在对外界环境的鲁棒性,提出了一种结合手势先验形状的手势特征参数更新方法。该方法可以更新手势检测和手势识别部分的肤色特征参数,使得手势检测和识别的过程变得更加准确。参数更新部分主要包括两个步骤：根据先验形状进行手势分割,然后根据手势分割的结果去更新参数。本文的方法不依赖于具体特征,文中使用特征以肤色特征为主,将肤色换成距离、梯度等其他特征,方法依然成立。方法不依赖于动态手势识别技术,可以应用于动态和静态的手势识别,能够同时处理光照变化、背景干扰的问题。实验结果表明所提方法在准确率基本保持不变的前提下计算效率相比基于滑动窗口的方法有100倍左右的提升,处理一幅图片的时间小于0.01s,对光照变化保持良好的鲁棒性,在修正后的Marcel数据集上实验结果达到了96.1%的准确率和100%的召回率。