手势作为一种简单有效的信息表达方式,在人机交互领域得到广泛应用。基于计算机视觉的手势识别方法具有非接触性的特点,在一些不适合人类亲临的环境,如高危,辐射,噪声及其它未知区域具有良好的应用前景,但该方法受环境变化影响较大,尤其是不均匀的光照条件以及复杂的背景环境,常常导致手势分割比较困难。此外,基于特征工程的识别方法计算量较大,常常导致算法实时性不强,而特征学习能力较强的深度学习方法受数据规模限制,在中小型数据集上优势并不明显。因此,设计出稳定且高效的手势识别系统具有重要的研究意义。针对上述问题,本研究以单目视觉条件下的手势识别方法为研究对象,对基于特征工程的传统手势识别方法和深度学习方法展开研究,主要工作内容如下:(1)图像预处理。该部分主要包括图像平滑,图像增强以及手势分割三个部分。首先采用双边滤波算法对图像进行去噪处理,目的是去噪的同时最大化程度上保留图像边缘信息。然后采用改进的同态滤波算法对采集到的手势图像进行增强,克服光照不均对识别结果的影响,并在此基础上进行手势分割,包括肤色分割,二值化以及形态学处理等内容,克服复杂的背景环境对识别结果的影响。结果表明预处理后的图像比未经处理的图像识别率提高了2.4%。(2)基于特征工程的手势识别。这部分主要包括人工特征提取,分类器识别以及上位机界面搭建三个部分。在特征提取阶段,对PCA降维前后的HOG特征和SURF特征进行对比分析,并在随后的分类器识别阶段通过SVM,BP神经网络以及随机森林进行分类。最后搭建出上位机软件界面进行调试。结果表明HOG特征更适合本研究任务,且降维后的HOG特征不但缩短了分类时间,识别率也得到了小幅度提升。(3)基于深度学习的手势识别。这部分主要引入不同的卷积神经网络模型进行手势识别,分析了不同结构对识别结果的影响,并在中小数据集上与传统识别方法进行比较。结果表明,在较简单的数据集上过度的非线性映射会导致算法识别率降低;基于深度学习方法比传统方法取得了更高的识别率,而且避免了过程复杂的特征工程,使得模型泛化性能更好。