在信息化战争背景下,以模式识别、人工智能为代表的计算机技术正应用于军事的各个领域。本文针对移动拍摄情形下的站姿指挥人员手势识别技术进行研究。为了克服移动拍摄情形下背景难以分割,手部识别精度低和手部轨迹难以确定等问题,本文采用如下方案:首先进行指挥人员检测,确定其位置及尺度大小;接着确定脸部和手部的检测区域进行手部和脸部的检测,并对双手手部进行跟踪;最后利用相对位移方向特征对指挥人员的双手手势进行识别。本文首先对站姿指挥人员检测算法进行研究,通过实验比较了几种特征和分类器的指挥人员检测性能,确定以Haar特征并以指挥人员腿部作为检测目标进行指挥人员检测。针对单一Haar特征级联分类器检测虚警率较高问题,提出一种基于Haar特征与轮廓特征相结合的站姿指挥人员腿部检测方法。该方法采用Haar特征经过Adaboost分类器训练得到级联分类器的前几级,接着利用Hausdorff距离进行轮廓匹配生成弱分类器,最后利用Adaboost提升算法得到强分类器作为级联分类器的最后一级完成级联分类器训练。在获得指挥人员位置后,我们根据几何关系缩小人脸和手部的检测区域,以提高检测精度和效率。本文对基于Haar特征与LBP特征的人脸检测方法进行实验,决定采用检测效率更高的LBP特征进行人脸检测定位。本文采用HSV颜色空间进行手部分割,由于基于单一颜色特征的手势分割易受干扰,检测精度低,我们首先通过几何关系排除掉其他类肤色区域,接着本文采用??-滤波对双手进行跟踪以确定左右手各自轨迹。在手势轨迹识别部分,本文利用提取到的手部相对位移方向特征对隐马尔可夫模型进行训练,再用得到的模型进行单手手势识别。针对静止的手部其相对位移方向特征不明显,难以用隐马尔可夫模型进行识别的问题,本文首先对手势进行动静判断,区分出其中的静止手部,接着对静止手部进行k近邻学习并分类,最后利用识别的左右手轨迹进行隐马尔可夫双手手势识别。在手势轨迹识别实验中取得了很好的效果。