随着人工智能、云计算和物联网等新兴信息技术的不断发展,利用手势进行人机交互成为计算机应用领域的研究热点,建立良好的人机交互环境正在成为支持万物互联的下一代无线网络的重要技术需求和趋势。然而随着手势使用的场景的复杂化,近距离正对着摄像头的手势识别已经不能满足人类需求,距离、角度这些因素对识别有着较大的影响。当采集到的图片中手势发生旋转,甚至手指之间产生重叠遮挡时,静态的手势识别方法就无法达到很好的效果。本文针对在旋转遮挡条件下手势识别准确率低的问题展开了研究,提出了一种基于卷积神经网络的动态手势识别方法:(1)介绍了帧间差分法的原理,阐述了利用帧间差分法对视频序列提取关键帧的思路。首先计算出视频序列每两帧之间的差值,画出散点图。之后利用改进的汉宁窗口滤波对散点图进行平滑操作,将图像极大值的那一帧作为关键帧提取出来。接着使用YCb’Cr’颜色空间对关键帧图像进行手势提取。最后将提取手势后的关键帧图像与最后手势图像拼接起来作为手势数据。通过实验仿真验证了该方法可以获得有效的手势区域。(2)针对传统数据增强方法具有局限性的问题,采用基于变分自编码器的数据增强的方法。介绍了几何变换和加噪声这些常用的数据增强方法,分析它们各自的局限性。针对此问题,本文采用变分自编码器对原始数据进行学习编码,再生成新的数据,达到数据增强的效果。(3)搭建了一个用于手势识别分类的卷积神经网络框架,针对数据图像格式的问题,改变了第一层卷积层的卷积方式。通过实验仿真验证了方法的有效性,同时将不同的数据选取方式以及不同卷积方式进行比较实验,验证了本文方法的优越性。