手势识别是目前人工智能领域研究的一个热点话题,在人们生活的方方面面都将会有所涉及,包括游戏,医疗,教育,购物等等。手势识别技术涉及到多方面的学科,如模式识别,深度学习,数学分析等。手势识别可以将人体的手形以及姿态以编码的形式翻译成机器语言,让计算机明白手势的含义以及意义。近几年,作为应用科学一个独特分支,手势识别技术确实取得了很大的进步,但是距离实现实时性,用于生活的各个方面还是有一定的差距。主要是由于现有的手势识别算法较为复杂,计算速度慢,很难达到快速辨识的目的;而且针对特定的手势识别算法,识别的手势数目有限,即使是基于多传感器融合的手势识别,依然无法达到灵活运用手势的目的,因此提高算法计算速度以及增强对各类手势类别的辨识成为实验和理论研究的关键。本文的研究重点是手势识别的算法,以MYO(手势控制臂带)传感器采集的肌电信息和惯性测量数据(加速度)信息为主要目标,对现有的手势识别算法进行改进,分别针对基于肌电信号及加速度信号的手势识别进行了研究,主要的工作内容如下:1.详细介绍了手势识别技术在国内外的研究现状以及相关进展情况,为研究手势识别提供了理论基础;描述了手势识别的基本技术方法,并针对实验研究对象提出了新的隐马尔科夫模型(Hidden Markov Model,HMM)方法。2.研究了基于复杂肌电信号的手形手势识别,采用了特殊的处理方法,首先采用滑动平均能量法对肌电信号的手势活动段进行了数据分割,该方法提取了手势阶段的主要部分,然后对于分割的数据段使用平均绝对值(MAV)来提取信号特征;最后,用动态时间规整算法(DTW)将8维的肌电(EMG)信号融合并计算测试样本和模版的相似度,其中采用了DTW算法寻找规整路径的方法进行了模板制作,结果显示,基于肌电信号的手势识别率达到96.09%。实验结果验证了动态时间规整算法可以用于识别肌电信号。3.研究了融合肌电信号和惯性测量单元的动态手势识别。对基于加速度(ACC)的手势识别,在稀疏表示的基础上,提出协作稀疏表示分类器识别加速度姿态信号,通过对创建字典最佳样本个数以及特征降维的维数进行研究来降低手势识别的复杂度。结果显示:对于4种姿态手势平均识别率达到96.88%,而且计算速度快;实验中使用12个动态手势对融合加速度和EMG的手势信息进行了辨识,其平均识别率达到96.11%。4.使用MATLAB软件工具设计了基于肌电信号和惯性测量单元的手势识别用户界面,使手势识别结果一目了然。研究结果证明通过对动态手势识别算法的研究以及改进,动态手势识别的速度以及识别率有了很大的提升。实验结果验证了所提方法的有效性与优越性。