-我们提出了一种基于多尺度和多模态深度学习的手势检测和定位方法。每一种视觉模式在特定的空间尺度上捕捉空间信息(比如上半身或手的运动)，整个系统在三个时间尺度上运行。我们技术的关键是一种培训策略，它利用以下几点:1)谨慎地初始化个体模式;ii)渐进融合，包括随机丢弃独立通道(称为ModDrop)，以学习交叉模态相关性，同时保持每个模态特定表示的唯一性。我们在“学习2014看人挑战赛”(ChaLearn 2014 Looking at People Challenge)的手势识别跟踪项目上展示了实验，在这个项目中，我们在17个团队中获得了第一名。在多个空间和时间尺度上融合多种模式可以显著提高识别率，使模型能够补偿单个分类器的误差以及单独通道中的噪声。此外，提出的ModDrop训练技术确保了分类器对一个或多个通道中的缺失信号的鲁棒性，从而从任意数量的可用模式中产生有意义的预测。此外，我们通过在相同的音频增强数据集上的实验，证明了所提出的融合方案对任意性质的模式的适用性。 手势识别，卷积神经网络，多模态学习，深度学习

里面附有完整代码，还需要其他的可以私信我！

基于hsv肤色提取，运用中值滤波和边缘检测，提取手势轮廓

基于FPGA的图像边缘检测系统设计（FPGA手势识别）

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

使用3DCNN和卷积LSTM进行手势识别学习时空特征

基于计算机视觉的手势识别研究,基于计算机视觉的手势识别研究

包括背景去除 手型提取 用不变矩方法描述手型 SVM样本训练与手势识别

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。

Parsing the Hand in Depth Images，IEEE著名论文，手势识别很准