张生军，博士，毕业于四川大学通信与信息系统专业，主要研究方向为模式识别、机器视觉、图像通信。国外多个期刊特约审稿人，主持并完成多个国家和省市级横向、纵向科研项目，在国内外相关领域期刊发表多篇论文并被SCI、EI 检索。

近年来，手势识别技术在计算机交互技术中受到越来越多的重视，但是如何实现一个通用、基于普通摄像头、对外界环境变化鲁棒性强、无标记以及实时的手势识别系统还没有很好的解决方案。针对该问题，本书分别从手部检测、手部跟踪和手势识别三个方面对无标记手势识别中相关算法进行了研究，在研究过程中还考虑了手势识别系统的整体性和实用性问题。

在基于视频的手势识别中，手部跟踪往往是不可或缺的一步。通过手部跟踪可以得到手部的运动轨迹和运动方向等参数，这对于动态手势识别很重要。虽然通过上一节介绍的手部检测方法可以得到每帧视频中手部位置，但是当手部运动速度较快，或者有双手交错情况发生时，仅仅使用简单的手部检测然后再采用匹配的方法就会存在诸多的问题。首先是效率问题，由于手部检测是针对全画面按照一定规矩进行手部查找，因此它存在时间复杂度较高的问题，尤其是视频画面较大而手部相对画面较小时这种问题更加突出。其次是稳定性问题，由于手部检测采用的方法主要针对目标分割，而跟踪主要是针对目标匹配，通常它们采用不同的算法实现，跟踪算法更适宜于跟踪，而分割算法则并未考虑太多跟踪问题，通过分割算法来进行简单的匹配，其进行跟踪效果往往不如使用专门的跟踪算法稳定。

第1章引言

11研究背景

12研究意义

13国内外研究现状

131手部检测

132手部跟踪

133静态手势识别

134动态手势识别

14本文工作和主要贡献

15本文结构安排

第2章手部检测

 21基于混合特征的手部检测

211手部颜色特征

212Haarlike特征

213Boost分类器

214融合肤色信息的Haar特征

215实验数据分析

22基于HOG的左右手识别

221梯度方向直方图(HOG)

222主成分分析 (PCA)

223特征分类

224实验与分析

23结论

第3章手部跟踪

31Meanshift简介

311核函数

312Meanshift向量形式

313Meanshift概率密度梯度证明

314Meanshift算法优缺点

32Meanshift跟踪算法

 321目标特征提取

322相似度度量

323搜索策略

33混合特征手部跟踪SHS（SIFTHistShift )

331连续混合特征手部跟踪CASHS(Continuously Adaptive SHS)

34实验数据分析

35结论

第4章手势识别：静态手势

41SIFT(SIFTHistShift)特征向量

42尺度空间极值检测

421关键点定位

422关键点方向确定

423特征向量生成

424特征匹配

43基于多特征融合的手势识别

44实验结果和分析

45结论

第5章手势识别：动态手势

51预备知识：模糊集合和手势

511模糊集合

512手势的模糊性

513模糊集描述的手势

52基于FCRFs（Fuzzy based Condition Random Fields)的手势标注

521条件随机场CRFs（Condition Random Fields)

522模糊条件随机场FCRFs(Fuzzy based Condition Random Fields)

523实验和分析

524小结

53基于FLDCRFs（Fuzzy based Latentdynamic Condition Random Fields）的手势识别

531隐动态条件随机场LDCRFs（Latentdynamic Condition Random Fields）

532模糊隐动态条件随机场FLDCRFs（Fuzzy based Latentdynamic Condition Random Fields)

533实验和分析

534小结

54结论

第6章结论与展望

61研究内容总结

62下一步研究和展望

参考文献162