当今社会，随着信息技术的发展，人们期待计算机系统在很大程度上可以嵌入到环境当中，这些环境将为新型人机交互带来需求。和鼠标、键盘、数据手套等传统的输入设备相比，手势作为一种智能、自然的人机交互接口，能更迅速地对复杂的交互系统做出反应，目前已成为一个热门的研究领域。特别是基于视觉的手势识别为用户与计算机之间提供了一种更加自然、直观的交互方式。手势在计算机视觉领域如机器人视觉、虚拟现实环境、视频游戏、手语识别等方面备受关注。就基于计算机视觉的手势识别技术，按照手势识别的流程，可分为如下三个阶段，手势分割、特征提取和手势识别。

近年来，稀疏表示（sparse representation ,sr）法和压缩感知（compressed sensing ,cs）理论多应用在计算机视觉领域，为解决分类、识别等相关问题带来新的灵感。压缩感知,也被称为压缩采样它作为一个新的采样理论，它通过开发信号的稀疏特性，在远小于nyquist 采样率的条件下，用随机采样获取信号的离散样本，然后通过非线性重建算法完美的重建信号，压缩感知理论在视觉识别应用中受到广泛关注。稀疏表示最初应用于信号处理领域，其基本思想是用尽可能少的元素来表示信号，可以获得信号更为简洁的表示方式，从而使我们更容易地获取信号中所蕴含的信息。在本文中针对手势识别技术采用压缩感知进行特征提取，然后利用稀疏表达实现模式识别。

最初的手势识别主要是利用机器设备的直接检测来获取人手与各个关节的空间信息，其典型代表设备如数据手套等。1983年，来自atamp;.t的grimes原创性地发明了最早的数据手套；1984年，vpl公司生产的数据手套能够使用光纤传感器检测出手指的弯曲程度；经过一段时间的发展之后，因数据手套受到了手势的自然性和可识别的手势较少的限制，光学标记法诞生并取代了数据手套。该方法也可提供良好的效果，但仍需较为复杂的设备。机器设备的直接检测虽然使得手势识别的准确度和稳定性得到了提高，却限制了手势的自然表达方式。基于视觉的于势识别系统，相比于穿戴设备手势识别系统，其能够使操作者徒手以更加自然的方式进行人机交互。它是指对视频采集设备拍摄到的包含手势的图像信息传输给计算机，然后通过计算机视觉技术进行处理，进而对手势进行识别。这种方法不但不需要高昂的设备费用，并且在操作时也更加方便。这也是手势识别未来的发展趋势，为此自然场景下基于视觉的手势识别应运而生。

2. 研究的基本内容与方案

1. 基本内容

本文按照手势识别的流程，将手势识别分为如下 3 个主要步骤，首先经手势分割进行分离，定位出静态手势；然后，根据需求选择手势模型进行手势分析，并依据模型提取手势参数；最后，根据模型参数对于手势选择稀疏表达算法进行手势识别。在研究过程中每个步骤分别进行分析评述。

稀疏表示理论的基本思想是：将一个待求的输入信号表示为原子字典中多个已知的基础信号的线性组合，该线性组合的系数包含了信号的绝大部分信息，信号在过完备字典上的分解结果将是稀疏的，因此将该过程称之为信号的稀疏表示。而压缩感知理论主要思想是：通过求解一个线性优化问题，对采样得到的少数观测数据精确地恢复出其原始信号。该理论的出现克服了传统香农采样定理中信号的采样速率受到信号带宽限制的问题。压缩感知(CS)理论建立在信号稀疏表示理论的基础上，是一种充分利用信号可压缩性或稀疏性的全新信号获取及处理理论。

2. 目标

基于视觉的手势识别为人机交互提供了一种更加自然、直观的方式，本文研究采用压缩感知理论进行特征提取，然后利用稀疏表达实现手势识别，并且保持较高的识别率的方法。

基于计算机视觉的静态手势识别过程大致分为4个步骤，如图1所示：

图一 基本流程

本文研究采用肤色信息和手形信息相结合的方法进行手势分割。提出了阈值自适应分割方法，即基于YCbCr颜色空间的阈值自适应模型。该模型对外界环境有较强的适应性。最后再通过Hu矩的手形比较算法进一步分割手势。

在特征提取时将手势局部和整体特征结合起来，以弥补单个特征无法描述整个手势的信息，提高手势的识别率。

在手势的识别阶段，选用稀疏表示分类算法对手势分类，该方法最大的特点在于：对图像可做简单的特征提取后，构造超完备字典，字典直接由训练所用的全部图像构成，用字典来表示待测样本，在训练过程只需把经过简单的处理之后的原始图像数据排列成一个大的三维矩阵存储到数据库里。在识别过程中，通过寻求待识别的手势样本在过完备字典中的稀疏表示，将手势识别问题转化为稀疏表示问题，运用压缩感知理论知识，釆用改进的KNN SRC算法完成手势识别过程。

3. 研究计划与安排

第1-4周：查阅相关文献资料，明确研究内容，初步确定设计方案，撰写开 题报告。

第5-9周：掌握相关理论和实现方法。

第10-13周：撰写论文初稿。

4. 参考文献（12篇以上）