Gesture Recognition 研究问题

手势为人机交互（ＨＣＩ）提供了一种自然和直观的通信模式，我们可以开发有效的用户界面来使计算机实时地识别手势。

目前工作的难点有，手部跟踪和手势定位识别。大多数完整的手动交互机制包括三个基本阶段：检测、跟踪和识别。
在检测手部的过程中,分割是至关重要的一步，因为它将任务相关数据与图像背景隔离，然后将其传递到随后的跟踪和识别阶段。
基于深度信息的手势分割方法：基于深度阈值分割、像素点聚类、彩色图像与深度图像结合的分割方法。
动态手势特征主要分为全局特征、局部特征和融合特征。

动态手势的识别方法主要分为 基于模版匹配 和 基于模式识别 。
模版匹配中常用的是 动态时间规整( Dynamic Time Warping , DTW) 算法。
模式识别中使用较多的是 SVM 、隐马尔科夫模型(HMM) 、 神经网络。
除了以上几种主流的方法，还有 基于粒子滤波( Particle Filter, PF ) 的 condensation 算法、有限状态机（ Finite-state machine, FSM）

有两个具有挑战性的课题：
1）动态手势的特征选择
    对于动态手势，有运动变化较大的手势，也有局部细节变化的手势，因此选取的特征并不一定全都适用于设定的手势。对于动态手势的特征选择问题，我们可以研究更好的算法获证多特征实时选择的方法，来提高动态手势识别率。
2）复杂手势的识别
    复杂的动态手势存在识别困难，其中有 多手势的相似性 （不同人做出的手势有很大差别）， 人的位置 —— 现有的数据都是要求人正对摄像头进行动作采集，若是手垂直于摄像头或偏离一定角度呢？

还有一些研究学者以提取人体的三维骨架数据为基础，将关节点角度、位置等作为手势特征来进行手势识别。

当前遇到的一些技术难题：
需要外接视觉辅助刺激、易受干扰，可识别手势数量有限、传感器视觉角有限、光照变化引起的干扰等。

可应用场景：智能无人系统、手语智能翻译、虚拟现实等。