随着彩色视频采集设备的出现，1992年开始了有关自然手势识别的研究，随着相关技术的不断进步，自然手势识别技术引起了众多研究者的重视。由于涉及研究领域广泛，相关研究较多，下面按不同技术重点对国内外研究现状进行介绍。59673

（1）肤色分割

V.Vezlmevets[1]与S.L.Phung[2]研究了多种像素级的分割检测算法构造肤色模型，但都是初级方法，适应性较差，计算量较大，分割效果不理想。M.Soriano[3]等针对不同光照条件，比较了多种肤色模型，并研究探讨各种方法的优缺点。M.Milgram[4]等采用双摄像头分別获収脸和手的图像，用采集的人脸图像中的肤色值实时建立肤色模型。M.Elmezain[5]等使用三维摄像头，在YCrCb颜色空间上，提出一种基于混合高斯模型的阈值分割法，并通过3D摄像头的深度检测功能，通过比较人脸和手到摄像头距离的不同，剔除类肤色干扰。基于混合高斯模型的阈值分割法首先利用混合高斯模型对背景建模，克服了场景变化等因素带来的影响；其次，利用背景减法得到差分图像并对像素进行分类，最后对分类后的像素集分别进行阈值化分割,得到前景目标。

（2）特征提取与运动跟踪

A.Wilkowski[6]采用基于YCrCb颜色空间的固定阈值法分割肤色，再用轮廓直方图表示手势轮廓特征，实现静态手势分类。S.Marcel[7]等采用双摄像头，已解决双手运动时手的遮挡、更丢、跟错等问题。X.J.Cai[8]等提出使用立体摄像头的深度检测功能，区分手和脸，并能剔除手臂，静态识别率超过90%，并实现了一个照片浏览软件。方奎，欧阳宁[9]等在对RGB进行颜色均匀化后，根据统计数据提出一种基于椭圆模型的识别方法，改良了传统RGB模型，增强对光照的鲁棒性，提取的几何特征矩的效果较好。椭圆模型与传统的RGB肤色模型的手势分割相比，能够在复杂背景下进行手势分割，经仿真得到了较好的分割效果，具有较强的光照适应性，对提取几何矩特征，建立手势库，采用神经网络识别手势，实现实时的静态识别具有良好的效果。

（3）识别分类源]自{优尔·~论\文}网·www.youerw.com/

M.Vafadar[10]等使用直方图统计手势运动的方向向量，并以此为特征实现手势识别。Chen Feng[11]等提出一种新型的加速的手势识别系统，使用随机投影理论(RP)将手势识别分为训练阶段和测试阶段，采用动态时间规划创建手势测试用例，达到了较高精确度和较快速度。F.Daggostar[12]等提出一种以十角度为手势运动向量的量化方法，对手势运动进行平滑处理后作为ANN (人工神经网络）的输入。A.Wilkowskin和J.F.Xun[13]都研究隐马尔科夫模型分割手势。Doe-Hyung Lee,Kwang-Seok Hong[14]提出一个使用立体相机的实时手势识别系统，识别率达80%，并用该系统实现一个中国象棋游戏。Y.Nakaya,T.Nakakuki,M.Hikita,C.Ishii[15]提出一个基于人体上半身模型跟踪的手势识别接口，由姿势跟踪和手势识别两部分组成，先用粒子滤波（因为其适用于任何能用状态空间模型表示的非线性系统）跟踪身体姿势，再用HMM识别手势（首先采集手势加速度数据,采用改进的SWAB算法进行自动端点检测,通过提取相应的手势特征,利用HMM对手势指令建模,并采用K-means算法矢量量化手势特征序列,以提高手势识别性能）。