本课题是为了将手势跟踪与识别技术和生活相结合，探索手势识别技术和现在的日常生活工作领域的交集部分，让手势识别技术不只是停留于单一的识别功能而要和切实解决日常生活相结合，拓展手势识别技术可涉及的领域。

1.2 国内外研究现状

1.2.1 SPRING算法

1.2.2 改良SPRING算法

1.3 课题创新点

本课题的创新性在于Kinect中内置的手势识别技术仅仅是对于禁止手势的识别例如手的紧握状态、手的打开状态等，当手作为运动物体时，Kinect无法进行手势识别，本课题的手势识别正是对手部动态手势的识别。文献综述

本课题另外一个创新点是在于将手势识别技术与音乐指挥相结合，以往的手势识别技术都是运用在舞蹈、体感游戏、安全保护等领域，现在的市场上并没有一款是针对音乐指挥的手势识别软件，所以本课题首次将手势识别技术搬到了音乐指挥的领域中去，通过手势变化来改变音乐的快慢和音调的高低，模拟出一个真正音乐指挥家对于音乐的重要作用，而且软件不仅仅是对音乐变化的模拟更是对音乐手势的模拟，用户不再通过鼠标键盘等输入设备而是实实在在通过用户的手势变化来模拟音乐指挥这将让整个程序的真实性更上一个层次。

1.3.1 手部跟踪

与以往的运用的跟踪算法不同本课题引用的Kinect骨骼跟踪算法是基于可见光图像和红外数据实现的，由于加入了红外数据可以判断出以往无法测量出的深度距离，从而与以往的跟踪算法跟踪的准确度上有了显著提升。

1.3.2 手势的识别

以往的手势识别大多是只是对静态手势的识别，使用者摆好姿势后来识别这个手势的含义，而本课题的算法是实现对动态手势的识别，它是对手部一系列动作进行识别然后得出其对应的手势含义。

1.3.3 手势动作元素的应用

在目前的市场上没有一款将手势识别技术与音乐指挥相结合的软件，在课题实验中第一次提出将基于Kinect手势识别算法引用到模拟音乐指挥中，通过判断使用者的手部变化来改变音乐的播放元素。

1.3.4 数据采样与分析

在微软给出的示例中并没有程序对骨骼坐标获取的结果进行采样分析处理，而数据采样与分析的重点在于数据采集过程中数据的类型和误差的处理两个方面，在图片捕捉后会得到大量的手部坐标，不可能将每一个数据记录下来需要进行平均数据，在数据采集过程中要对数据结果取整放大的工作，在采集过程中要间隔多久捕捉图片样本才可以不妨碍到精确度，然后在采集到的数据转化为某种数据类型储存运用。

2 基于Kinect的手势跟踪与识别算法

2.1 算法原理

首先介绍一下算法的原理,一开始的图像采集是基于Kinect传感器获取深度图像信息/彩色图像信息和红外图像信息，手势的跟踪部分是通过Kinect内置的骨骼跟踪函数实现的。在图像分析模块中，对手势或指挥棒的运动轨迹进行识别，分析其运动的方向/幅度、加速度和频率等特征，然后与已有手势信息对比，即相应的手部运动规律对应的手势。

通过对原理的介绍可以将本算法主要分为两个部分手部数据的采样、手势的识别，下面将会针对以下两个方面进行说明。来!自~优尔论-文|网www.youerw.com 基于Kinect的手势跟踪与识别算法设计(3):http://www.youerw.com/jisuanji/lunwen_78444.html