近十年来，人机交互技术得到了迅速的发展。特别是自2010年以来，各种人机交互系统已经逐步融入到人们的日常生活之中。人机交互技术可以分为接触式人机交互技术和非接触式人机交互技术。前者需要借助一定的辅助设备，通过物理传感器进行人机交互;而后者不需要借助任何辅助设备，用户可以在未经特殊训练的情况下完成远距离的人机交互，使得用户在使用时更自然、更方便、更舒适。因此，非接触式人机交互技术具有更广泛的应用前景，成为人机交互领域的研究热点。　　人脸检测及定位是非接触式人机交互中的重要问题。截至目前，国内外多家科研机构和公司都展开了对人脸检测算法的研究。高效的人脸检测方法需要快速地检测出摄像装置视场范围内任何可能出现用户的位置，并能够实时进行响应，同时，人脸检测需要对环境光变化、人脸偏转、部分人脸遮挡、用户佩戴眼镜、用户手势不标准等复杂环境具有良好的适应性。因此，对检测的准确性、实时性、鲁棒性都具有较高要求。　　本文提出基于特征绑定的人脸检测方法。根据生物视觉感知领域中已有的特征绑定理论，本文在机器视觉模式识别领域中提出特征绑定的方法，并将其应用于人脸检测。同时，本文提出曲波变换去除图像块效应的算法，并提出以人脸检测为基础的手形提取方法。对于待检测图像，首先进行预处理，包括去除低像素图像中存在的块效应、肤色信息提取、深度信息提取等，然后对图像进行人脸检测，再根据人脸检测的结果对用户手部进行定位，并跟踪记录手部运动轨迹及进行手势识别。针对人脸偏转、部分人脸遮挡、用户佩戴眼镜等可能对检测算法引发干扰的情况，本文所述方法能较大程度消除影响，提高整个检测系统的鲁棒性。　　本文所述人脸检测方法中使用的具体方法如下:　　(1)提出利用曲波变换对存在块效应的低分辨率图像进行复原的算法。由于曲波系数与图像的块效应之间存在一一对应的关系，因此对曲波系数进行自适应处理，从而消除图像中存在的块效应，恢复图像中更多细节信息。　　(2)提出模式识别领域中的特征绑定方法。根据视觉感知领域中的特征绑定理论，在模式识别领域中提出特征绑定方法，并建立数学模型。特别是针对存在部分遮挡的目标，证明特征绑定的有效性。　　(3)使用基于不同特征的特征绑定方法进行人脸检测和定位。通过机器学习寻找适用于人脸检测的特征，本文使用Haar特征及ASM特征。将训练得到的特征根据一定准则进行分组，并将每一组包含的所有特征绑定为一个整体对子目标进行检测。最后通过每个子目标的检测结果判定人脸是否存在。由于并不需要直接检测到完整的人脸，因此该方法对人脸偏转、部分人脸遮挡、用户佩戴眼镜等情况有较高的准确性和鲁棒性。同时验证了特征绑定在不同类型特征上的应用。　　(4)提出基于人脸检测的手形检测方法。以人脸检测为基础，结合肤色检测及深度检测，在特征层面上进行多信息融合，完成利用双目立体图像提取手形，并跟踪动态手势轨迹。　　(5)使用隐马尔可夫模型（HMM）对动态手势进行识别。针对每一种动态手势，训练一种对应的HMM模型。检测过程中，计算待测手势相对于每一种HMM模型的概率，选取最优概率对应的HMM模型并解码后得到相应响应。同时，隐马尔科夫模型具有极好的可扩展性，后期增加新的手势时只需训练新的HMM模型，而无需对整个系统进行调整。　　(6)针对本文手势识别应用中定义的特定基本动态手势，引入改进的方向编码，以提高编码的准确率。对于复杂手势，采用拐点检测的方式进行分段识别。　　本文所述的基于特征绑定的人脸检测经过一系列的实验测试，在2.8GHz主频、单核1G内存的PC机上，人脸检测准确率达到98.12％，基于人脸检测的手势识别准确率达到98.28％，并可以满足每秒钟25帧的实时性处理要求。同时该系统对于环境光照变化、用户人脸偏转、部分人脸遮挡、用户佩戴眼镜、用户手势不标准等情况均有较好的鲁棒性。