伴随着计算机视觉以及人工智能的快速发展,键盘鼠标等传统的人机交互方式已越来越不能满足人类的要求。灵活、直观以及可以表达多种信息的手势识别由于其获取方便、操作容易等优点逐渐被人类探索,成为新型人机交互方式的热点。当前,基于单目摄像头下的手势识别依旧存在一些关键问题需要解决,如:手势检测不精确、手势定义不明确少、算法计算量大以及识别时间长等,解决该类问题的重点和难点在于对肤色的有效检测和对识别算法的选择。本文在2D摄像头的手势识别研究基础上,针对手势检测中背景干扰、手势分割不精确等问题,对肤色检测方法进行了改进。同时结合静态手势和动态手势在特征提取上进行了创新,提出了一种新的特征提取方案,并对比常用的机器学习算法,分析了支持向量机算法的优缺点,在其基础上进行了改进,提出了一种新的手势识别方法。通过实验结果证明,本文方法能有效的实现手势识别,平均识别率在98%以上,可以作为手势识别方法使用,主要工作内容如下。(1)在手势分割方面,本文对比了常用的分割方法,分析了基于YCb Cr颜色空间的肤色检测方法的优缺点,提出一种基于YCb Cr颜色空间的去背景手势检测技术。通过使用最大连通区域,降低背景中可能存在的类肤色物体和其他肤色部分在手势分割时造成的影响,提取出待识别的手势;然后考虑到人脸区域可能大于手势或与手势组成同一连通区域,对结果形成干扰,提出使用人脸位置检测,将人脸遮盖和剔除,实现去背景的手势检测。(2)在手势提取方面,本文主要研究了对静态手势形状和动态运动轨迹的提取,由于它们是两个相互独立的部分,会导致手势特征提取不明确。本文提出一种能够同时提取静态形状和动态轨迹的方法,解决了手势特征提取不明确的问题。(3)当前手势识别算法的研究中,静态识别和动态识别往往会因算法的不同分开进行识别。本文将动态轨迹转换成为静态图片,解决了静态和动态手势识别方法不统一的问题,并实现了静态与动态手势的共同识别。最后提出使用主成分分析(PCA)和支持向量机(SVM)实现手势识别,避免在识别时可能会造成维数灾难,解决常用算法计算量大、识别时间久、识别率低的问题。(4)为了验证算法的可行性,本文设计了一个手势控制系统,结合硬件平台,通过信息传输实现手势对硬件的控制。经过反复验证,能够很好的实现控制效果,证明了所设计系统的有效性。