近年来,手势识别因其简单、方便、高效等特点成为人机交互中不可或缺的一部分,也正逐步融入到我们的生活之中。然而,基于数据手套的手势识别方法硬件价格昂贵、操作不便,因此基于计算机视觉的手势识别也应运而生。本课题重点研究类肤色背景下基于单目视觉的手势识别算法模型,其主要研究内容包括1)静态手势手型识别模型,2)动态手势轨迹识别模型,其中研究重点概括为:首先,将静态手势手型识别模型分为三个阶段:1)手势分割,由于传统分水岭算法在类肤色背景下会出现严重的过分割现象,无法准确提取静态手势手型,因此在传统分水岭算法的基础上引入了高斯滤波和Hu特征矩质心点,能够完整分割出图片中的静态手势手型区域;2)手臂分割,由于手臂区域对于静态手势识别而言是冗余信息,因此本课题提出了PCA降维和凸性检测技术相结合的模型,能够有效地定位手臂分割线,消除静态手势的手臂区域;3)手势识别,搭建了双通道卷积神经网络,并通过实验证明,此网络比传统卷积神经网络和SVM有着更高的准确率,同时将本课题提出的静态手势识别模型和HOG-PCA-LBP特征融合的方法进行对比,说明了本课题所提出模型的有效性。其次,将动态手势轨迹识别模型分为三个阶段:1)轨迹跟踪,利用三帧差法跟踪动态手势视频中手势运动区域,较为准确地提取了类肤色背景下动态手势运动区域;2)轨迹描述,利用Hu特征矩从提取的手势运动区域中寻找特征点,并用其描述手势运动轨迹;3)模板匹配,由于传统DTW算法计算量大,运行效率低,因此在传统DTW算法基础上改进了检索方式提高了运行效率,最终与数据库中的6种动态手势模板进行匹配,得到动态手势轨迹分类。通过实验证明,相对于传统DTW算法,改进后的DTW算法精度基本不变,但在匹配效率上有所提高。基于以上成果,本课题研发了实时手势识别系统,验证了模型有效性且证明了系统具有较高的准确度和实时性。