手语是聋哑人与外界交流的重要媒介。研究以普通话为基础的中国标准手语识别,能够为聋哑人与正常人之间沟通提供便利,同时,还能促进人机交互领域的发展。近年来,随着计算机技术与深度学习的迅速发展,利用计算机视觉对手语或手势进行分类识别逐渐成为国内外科研人员的研究热点。本文的主要研究内容是基于计算机视觉的中国手指语识别,包括建立手指语图像库,对手指语图像进行初步预处理、特征提取和分类识别等。具体如下:首先,采集手指语图像建立手指语图像库,并对图像库内的手指语图像进行预处理。预处理操作包括肤色聚类、图像平滑、形态学变换以及图像分割,最后将图像统一大小为300×300。预处理操作是后续手指语图像特征提取与识别的基础。然后,针对SVM构建模型过程中面临的最优参数选择的问题,引入灰狼优化算法对SVM参数进行优化,以实现手指语的识别。分析常见的特征提取方法和分类器,选择HOG特征和SVM分类器。利用灰狼优化算法优化SVM参数,找到最优参数的时间更短,识别的速度更快。在手指语识别中,提取HOG特征,利用灰狼优化算法优化SVM参数,送入到径向基核函数(RBF)的SVM分类器,实现手指语识别。实验表明此算法可以用于手指语识别,具有一定的有效性和可行性。最后,针对传统人工手动提取特征主观性较强,以及其他深度学习对数据集要求较高等问题,采用深度迁移学习算法实现手指语识别。对比了Inception V3和Res Net50模型应用于只替换分类器的参数迁移和冻结不同网络层的微调模型对手指语识别的效果。实验证明Res Net50模型对手指语的识别效果更好。利用Res Net50模型冻结网络50层,微调其他参数后对手指语图像进行预测。实验表明本文采用的深度迁移学习算法可以用于手指语的识别,与传统人工特征提取特征和其他深度学习算法相比,具有一定的优越性。