当今时代为智能化飞速发展的时代,人机交互实现了更为广泛的应用,手势作为人类交流最为自然与直观的方式之一,在人机交互中占有十分重要的位置。手势识别的实现方法目前主要分为基于视觉传感器的手势识别和基于可穿戴式传感器的手势识别。基于视觉传感器的手势识别研究中,目前主体为利用单目或多目普通摄像头完成手势识别的方法,但该方法存在受环境光线影响较大的问题。由于热像仪通过探测肉眼不可见的红外辐射成像,可解决普通摄像头受环境光照变化影响的问题,本文提出了基于热像仪的静态手势识别系统,本文主要内容如下:针对复杂环境手势部分不突出问题,对红外图像进行了灰度扩展。本文通过对数转换将红外数据转换为图像像素并进行线性灰度拉伸,得到各种复杂环境下均保持对比度较高并且手势部分强化突出的红外图像,利于图像的边缘检测。针对传统Canny边缘检测算法需要手动设定阈值,无法适应不同环境的边缘检测的问题进行改进,设计了自适应阈值Canny边缘检测算法。该算法可适应环境变化以图像的边缘像素点个数占全图像所有像素点个数的比例为反馈信息自适应调节边缘检测的输入阈值,保持阈值合理并获取完整图像边缘,实现正确的图像分割。为了满足系统实时性要求,手势识别系统采用的是分层结构思想,设置特征阈值分类的识别方法。利用手势的几何结构特征设计分层结构,依据提取特征的计算量,按照从小到大的次序完成分层排列。该手势识别算法对十种手势简单背景的识别率为98.8%,复杂背景的识别率为85.7%,相对于未进行灰度扩展方法的识别率分别提高了2.61%和21.53%,可实现各种背景下的手势识别。对应环境温度分别为5℃、20℃和35℃时的识别率对应为96%、99.8%和97.6%,系统具有较好的稳定性,不受温度变化的影响,同时该系统无可见光情况仍可实现正常识别。另外佩戴手套情况下的识别率为97.4%,表明本系统可实现佩戴手套的手势识别。