随着图像处理,模式识别,智能计算机等相关技术的不断发展,手势识别研究逐渐成为人们讨论的热点。由于手势本身具有的多样性和多义性,以及时间和空间上的差异性等特点,使手势识别研究成为一个富有挑战性的多学科交叉的研究课题。手势识别作为一种特殊的生物特征识别方式,与指纹、人脸识别比起来,更加友好便捷,而且在人机交互技术中用处更为广泛。本文总结并介绍了现有手势识别技术及其发展过程、手势识别研究的关键内容。对手势识别中的手势图像预处理、特征提取、手势跟踪和手势识别等阶段进行了深入研究,应用了基于HU矩特征和支持向量机相结合的手势识别算法,借助OpenCV开源库在Code::Blocks平台上用C语言编程实现了一个简单背景下的静态手势识别系统,完成了对预定义的“0”到“9”十种手势的识别。首先,我们从摄像头采集手势的视频流文件作为样本,经预处理建立起手势样本库。其次,在手势图像特征提取阶段,主要选用Hu矩作为待识别手势的特征,利用几何矩不随图像旋转,平移,尺度的变化而变化的特性,解决了特征提取时候的旋转,尺度不确定性问题。再次,跟踪阶段选择并实现了amshift算法,以提高手势跟踪的实时性和鲁棒性,实现了对摄像头读取视频流时对手势的正确实时跟踪。最后,在手势的识别阶段重点对支持向量机分类器进行了研究,支持向量机是一种基于结构风险最小化的模式识别方法,它在解决小样本、非线性及高维模式识别问题中具有许多特有的优势,最终我们选择了基于径向基核函数的树型支持向量机用于手势分类,并通过计算选取了最优参数。本文最后部分给出了手势识别系统的总体程序设计及算法的验证和检测,仿真结果表明该系统在学习模式、视频模式和摄像头模式下识别十种手势均取得了较为理想的识别效果,正识率一般达93%以上。在光照充足情况下,系统的鲁棒性和稳定性也比较理想,验证了本文手势识别算法的稳定性和有效性。本文的主要工作：一是采用人“机”交互的方式对摄相头捕获的手势进行跟踪与辅助设定,将所捕获手势投影到某一虚拟平面上,并在计算机上实时显示,以提高手势识别的效率；二是研究基于SVM的手势识别算法,采用树型SVM分类器并选用径向基核函数以提高手势识别的准确率和效率