随着科学技术的快速发展,计算机视觉技术也已经成为了人们在日常生活中、学生的学习中以及各行各业的工作中的一门非常重要且关键的技术。其中,手势识别作为人机交互最为直接和自然的技术,在人们的日常生活中被大量使用,极大地改善了人们的生活。本文主要研究基于不同特征融合和图像预处理的人体手势识别方法,以提高手势识别算法的识别率。本文主要工作如下:1、手势特征提取过程中常常受到手势肤色、手形、照明条件和背景差异等因素的影响,这使得手势特征提取难以通过单一特征来指定手部外观。因此,本文提出了一种增强型融合HOG-LBP特征检测和SVM分类检测的方法,以改进的MB-LBP替代均匀LBP特征。实验验证了该方法在光照条件、肤色、复杂背景的条件下有更高的准确度。2、Kinect传感器设备给广大的用户带来了新的体验。随着Kinect传感器的升级,其功能也越来越强大。本文借助Kinect传感器进行手势深度图像和彩色信息的获取,通过肤色模型二次分割,捕捉到了更加精准的手部图像,然后利用本文提出的新融合特征HOG-MBLBP进行特征提取,最后利用SVM进行分类识别。实验表明,本文提出的方法相比于其他方法有很高的识别率。3、动态手势识别同样也作为人机交互的一个重要方向,在各个领域具有广泛的需求。相比于静态手势识别,动态手势变化更具有多样性,检测效果差。因此,本文针对非单一因素影响的背景下肤色、亮度变化对动态手势的检测干扰,提出一种结合了改进的三帧差分法和背景差分法的手势检测算法。将边缘检测融入到三帧差分法中,得到的图像有很好的轮廓信息,弥补了部分“空洞”现象。同时,融合混合高斯背景差分算法来对改进的三帧差分法进行补充,使得检测结果同时具有轮廓连续以及内部信息较为完整的特点。实验证实本文提出的手势检测算法有很高的识别率以及较低的误检率。