近年来,手势作为人们与外界交流的重要方式之一,逐渐成为人机交互中一种新兴的交互方式。基于手势识别技术的人机交互方式是指:设计特定的手势,计算机通过分析能够识别该特定手势所表示的含义,并以此来传递信息和控制设备。本文对手势识别系统中的手势分割、手势跟踪、特征提取等模块进行研究,最后用隐马尔可夫模型HMM实现了动态手势识别。本文首先对基于视觉的手势分割进行分析。由于仅仅用高斯肤色模型进行分割时,手势分割结果受色度空间的影响较大且存在类肤色的影响,因此,提出了用手势的形状特征结合高斯肤色模型进行手势分割的方法。实验表明,该方法能够克服类肤色区域的影响,较好地分割出手势。手势分割出来后,本文采用粒子滤波算法进行跟踪。粒子滤波算法能够处理任意的非线性函数和非高斯分布的系统,对复杂背景下的目标跟踪具有较好的效果。为了解决粒子退化问题,提出了改变粒子权重的算法,以保证新加入的粒子具有较大的权重。本文对原来的粒子滤波算法和改进的算法进行仿真比较,实验结果表明改进后的算法具有更好的跟踪效果。本文根据分割和跟踪的结果对动态手势的位置、方向角、速率等特征进行提取,其中,速率用来判断运动手势的起止。然后用改进的Freeman链码对手势轨迹进行离散化。所选择的特征向量将作为隐马尔可夫模型(HMM)进行手势识别的输入参数。HMM可同时对空间特性和时间特性及其相关关系建立模型,具有时间规整的性能,是一种成熟的匹配技术。本识别系统对HMM进行初始化及参数训练,实现了对阿拉伯数字(0~9)的手势轨迹的识别;最后,为了使手势识别系统有较好的实时性和互动性,本文对HMM的输出结果形式进行了改进,既增强了用户体验,又提高了识别效率和正确率。根据实验效果可知,本系统基本达到了实时进行手势识别的功能。本识别结果用于人机交互系统中时,可以使用户具有更快更自然的用户体验。