随着人机交互技术的不断发展和移动设备的普及,面向移动端的非接触式手势识别技术逐渐受人关注。手势识别技术已经发展多年,但是面向移动端的基于视觉的微手势轨迹识别还存在以下几个问题:(1)复杂背景和光照对手势识别具有极大的干扰;(2)移动端设备计算资源有限,对手势实时跟踪识别的鲁棒性不高;(3)指尖点检测方法鲁棒性不高,对于弯曲手指存在误检问题和受其他假点干扰;(4)由于不同用户执行手势的习惯不同,其表现的手势轨迹特征并不一致,即使是同一个人在不同时刻所表现出来的同一种手势的特征也并不相同,因此手势轨迹在时间和空间上的差异性加大了手势轨迹的识别难度。针对上述问题,论文重点对指尖检测、特征提取和手势轨迹识别三个阶段进行研究,主要工作如下:1.针对指尖检测阶段,提出了一种基于改进重心距离法的实时指尖检测方法。首先引入指尖重心距离阈值排除弯曲手指的干扰,然后计算指尖在上下左右四个方向的权重来判断手掌的方向,最后根据候选指尖点和重心的位置关系进一步排除非指尖点。该方法在复杂环境中鲁棒性高,计算速度快,实时性好。2.针对特征提取阶段,提出了一种基于中心点方向角的特征提取方法。提取每个指尖轨迹点相对于中心轨迹点的方向角特征,形成微手势轨迹特征序列。该方法在保持手势轨迹序列特征的差异性的同时大大减少了特征提取时间。3.针对手势轨迹识别阶段,提出了一种基于改进LSTM模型的手势轨迹识别方法。首先针对传统LSTM模型中Softmax损失函数目标聚合性不强的问题,通过归一化处理和设置合适的余弦系数与余弦余量来实现最小的类内方差和最大的类间方差,从而改进损失函数以提高模型的判别力。然后针对模型最佳参数寻找问题,提出了一种自适应的模型训练方法。通过定义损失的梯度值,比较梯度值来判断模型是否收敛以减少模型训练时间,并且根据模型迭代次数和正确率找到模型最佳参数。最后在此基础上实现微手势轨迹特征序列建模和分类识别。