复杂动态手势识别是利用视频手势进行人机交互的关键问题.提出一种HMM-FNN模型结构.它整合了隐马尔可夫模型对时序数据的建模能力与模糊神经网络的模糊规则构建与推理能力,并将其应用到复杂动态手势的识别中.复杂动态手势具备两大特点:运动特征的可分解性与定义描述的模糊性.针对这两种特性,复杂手势被分解为手形变化、2D平面运动与Z轴方向运动3个子部分,分别利用HMM进行建模,HMM模型对观察子序列的似然概率被作为FNN的模糊隶属度,通过模糊规则推理,最终得到手势的分类类别.HMM-FNN方法将高维手势特征分解为低维子特征序列,降低了模型的复杂度.此外,它还可以充分利用人的经验辅助模型结构的创建与优化.实验表明,该方法是一种有效的复杂动态手势识别方法,并且优于传统的HMM模型方法.

Gesture_Recognition_Soli_Radar_Data 论文实施：与Soli交互：探索射频频谱中的细粒度动态手势识别 GitHub链接： : 请仔细阅读存储库中提供的论文以获取详细说明。 数据来源： :

近年来，手势作为一种输入通道，已在人机交互、虚拟现实等领域得到了广泛的应用，引起了研究者的关注.特别是随着先进人机交互技术的出现以及计算机技术（特别是深度学习、GPU并行计算等）的飞速发展，手势理解和交互方法取得了突破性的成果，引发了研究的热潮.综述了动态手势理解与交互的研究进展与典型应用：首先阐述手势交互的核心概念，分析了动态手势识别与检测进展；而后阐述了动态手势交互在人机交互中的代表性应用，并总结了手势交互现状，分析了下一步的发展趋势.

非常好的手势识别文档

动态手势的识别部分，在特征提取阶段，将手心坐标作为手势的位置，并将 手心在空间中运动形成的一系列二维坐标点作为手势的轨迹，再把相邻的坐标点 间的方向角量化后得到的方向向量作为动态手势的特征向量。其中，对于轨迹开 始和结束的判断，则是使用了指尖的个数作为依据：当指尖个数为 5 时，轨迹开 始；当指尖个数为 0 时，轨迹结束。在识别阶段，则是利用了隐马尔科夫模型作 为分类器，实现了对于 10 种自定义的动态轨迹的训练和识别

动态手势识别作为人机交互的一个重要方向，在各个领域具有广泛的需求。相较于静态手势，动态手势的变化更为复杂，对其特征的充分提取与描述是准确识别动态手势的关键。为了解决对动态手势特征描述不充分的问题，利用高精度的Leap Motion传感器对手部三维坐标信息进行采集，提出了一种包含手指姿势和手掌位移的特征在内的、能够充分描述复杂动态手势的特征序列，并结合长短期记忆网络模型进行动态手势识别。实验结果表明，提出的方法在包含16种动态手势的数据集上的识别准确率为98.50%；与其他特征序列的对比实验表明，提出的特征序列，能更充分准确地描述动态手势特征。

伴随虚拟现实（Virtual Reality，VR）技术的发展，以及人们对人机交互性能和体验感的要求提高，手势识别作为影响虚拟现实中交互操作的重要技术之一，其精确度急需提升[1].针对当前手势识别方法在一些动作类似的手势识别中表现欠佳的问题，提出了一种多特征动态手势识别方法.该方法首先使用体感控制器Leap Motion追踪动态手势获取数据，然后在特征提取过程中增加对位移向量角度和拐点判定计数的提取，接着进行动态手势隐马尔科夫模型（Hidden Markov Model，HMM）的训练，最后根据待测手势与模型的匹配率进行识别.从实验结果中得出，该多特征识别方法能够提升相似手势的识别率.

基于HMM的动态手势识别

用笔记本电脑摄像头进行1，2，3，4，5个手势的识别，不同手势可以控制鼠标的移动，单击，双击，右键等操作，与电脑进行打开文件夹，移动，删除文件等操作。（本科毕业设计，被评为优秀毕设）

基于OpenCV 动态 手势检测识别 方法的 研究