随着人机交互技术的迅猛发展,手势识别已经成为这个领域中的一项非常热门和关键的技术。本文主要利用单目视觉进行手势识别算法研究,提出一种可以满足一定实时性需求的手势识别算法,并从手势图像的预处理、肤色分割、手势轮廓描述、手势特征提取以及手势识别等方面研究可用于嵌入式设备的手势识别软件系统。　　本文主要采用图像联合特征值与支持向量机结合的方法设计出一个实时手势识别软件系统。系统识别的手势并不是手运动的轨迹,而是每个手势代表的意义。本文的手势识别系统一共分为四个功能模块实现,分别是肤色分割模块、边缘提取模块、特征提取模块和分类识别模块。肤色分割模块主要采用基于YCBCR色彩空间的肤色分割算法,该算法利用人类皮肤色调值在一个较窄数值范围内非线性变化的聚类特性,分离手部区域和背景。基于YCBCR色彩空间的肤色分割算法忽略图像亮度值,只采用图像的蓝色和红色色度分量。边缘提取模块包括图像中值滤波、图像二值化、高斯拉普拉斯边缘提取以及最大轮廓提取等算法。对手势图像进行边缘提取后会残留部分噪声,这些噪声也是有边缘的,为了确定手部区域的边缘,需要利用最大轮廓提取算法去除噪声。特征提取模块包括Hu特征提取、傅立叶描述子提取、几何特征提取。分类识别模块主要利用支持向量机的原理实现目标分类识别。支持向量机需要训练集和测试集才能工作,训练集利用3500张手势图像的联合特征值构建,测试集就是待识别图像的联合特征值。　　本文一共采用5000张表示阿拉伯数字0至9的手势图像构建样本库,其中3500张作为训练集,1500张作为测试集。实验结果表明采用YCBCR肤色分割算法可以比较完整分离手部区域和背景,所得到的手部区域边缘平滑,噪声较少。采用高斯拉普拉斯边缘算子提取图像边缘,并且利用最大轮廓提取算法去除残余的噪声,可以得到基本无噪声的手部区域。从1500张手势图像的边缘提取结果来看,存在噪声的图像数目为0。利用联合特征值和支持向量机对手势进行识别,平均识别率达到95％以上,这要比采用单一特征值的识别率高出20%以上。系统的实时性测试结果表明本文的算法可以在多于3种颜色的背景中识别出手势,而且识别耗时在1秒以内。