手势识别作为人机交互领域中最重要的机器输入方式,在自动驾驶、虚拟现实等诸多领域得到了广泛应用。基于计算机视觉进行手势识别是目前应用最多的一种方法,其成本低、无需影响使用者的状态,相较于其他方案有着独特优势。随着硬件设备的发展,其图像获取设备也逐渐由二维RGB相机转化为三维设备,激光雷达、多视几何等方法均可获取三维点云图像。然而,当前识别方法大多基于深度图实现,在此数据格式中,三维信息仅作为二维图像的一个通道,这导致三维信息往往仅在手势分割中起到作用,后续的特征提取等步骤仍旧利用手势的二维轮廓进行提取,对三维信息的利用有限。三维点云数据除包含物体的距离信息外,还可对物体表面的几何信息如法线、曲率等进行表述,因此充分利用点云图像的三维特征有望使手势识别技术的性能得到进一步的提升,促进其在人机交互领域的应用拓展。本文对基于三维点云的手势识别进行了探索,主要工作如下:1.针对手势识别这一应用场景,提出了滤波-分割-法线估计的点云预处理框架,分别基于统计学滤噪、区域生长算法及点云体素化实现,并对部分实验进行了展示,验证了其可用性和有效性。2.基于模板匹配思想,提出了基于单帧点云的手势识别算法。算法分为预处理、平面点提取以及模板匹配三步。预处理部分的目的是通过伸出手指数量对所得手势进行预先分类,以降低算法的匹配次数,提高算法效率。此步骤基于距离变换算法实现,并对原算法进行了修改与优化,使其适用于点云数据。平面点提取步骤基于高斯映射与密度聚类算法完成,通过点云的法向分布实现对平面点的提取。最后以手势点云与模板的配准误差为基准对差异度进行计算,并输出差异度最小的结果。此部分基于迭代最近点算法完成,对于所得手势点云,算法将其垂直划分为三块,分别与模板进行配准,并以配准正确的点对数为权重计算最后的差异度。算法构建完成后,基于公开数据集与自采样数据对算法进行了实验。实验结果表明,算法有较高的识别率,在公开数据集中的平均识别准确率可达98%以上,实时实验中平均识别率也可达97%。同时,算法对搭载平台的性能要求较低,可应用于嵌入式平台满足简单的交互需求。由于算法基于模板匹配思想实现,故相较于目前应用较多的深度学习方案,算法无需训练,需要样本少,在搭建难易程度方面占有巨大优势。此外,算法识别率突出,对搭载平台的性能无较高要求,故可应用于不同场景,有较高的适用性。3.考虑到单帧算法运行效率稍差,且抽象程度低,算法后续改进不便的问题,本文基于手势形成过程中关节必定产生形变这一事实,提出了基于连续帧点云的手势识别算法,通过对手势的关键点进行标记,并以此构建特征向量的方式提高算法的抽象程度。算法可分为关键点标记、物理模型拟合与差异度计算三个步骤。对于输入点云,算法首先对其进行边缘探测,将其划分为边界点与内点,并分别基于K-曲率算法与相邻帧曲率差探测进行指尖与形变关节的标记。标记完成后,将所得关键点三维空间位置与所构建的手部骨骼模型进行拟合,由逆运动学对未知的关节位置进行推算,并以关节弯曲角度、指尖空间位置为基准构建特征向量,利用KNN算法进行分类。算法构建完成后,基于自采样数据对算法进行了实验。实验结果表明,算法的识别率为96%,与单帧算法的准确率接近持平,且在实验过程中算法无误识别问题,有着较高的精确度。对于百帧的输入点云,算法在抽帧之后的平均识别时间为3秒左右,即算法频率为30HZ左右,有着较高的时间效率。同样,算法基于K值为1的KNN算法实现,在此情况下算法无需训练,在给定模板参数后即可进行实验,故算法同样有着较低的构建难度,若需对识别模板进行更改,只需明确并修改其关键参数即可。