针对传统机器视觉的手势识别方法识别准确率低，抗干扰能力差等问题，提出了一种基于支持向量机（Support Vector Machine，SVM）手势分割和迁移学习的静态手势识别方法.本文使用SVM和迁移学习方法相结合构建新的手势识别模型，利用SVM对样本进行手势分割，将Inception-v3模型作为卷积神经网络模型基础，对网络参数进行fine-tuning，将预先经过手势分割处理后的样本导入模型训练，调整超参数得到新的最优手势识别模型，并在一定干扰环境下测试，得到测试结果.测试结果表明该方法识别准确率和实时反馈效率均高于传统方法，能高效识别手势，满足实际应用需求.

本文提出一种基于视觉的手势识别方法。系统由两部分组成：分割部分与识别部分。对手掌的分割：采用基于肤色的阈值分割结合YCrCb颜色空间算法，同时能够去掉人脸、多余的胳膊部分及其他噪声，得到只包含手掌的二值图。对手势的识别：采用二值图片Hu矩作为手势特征，利用BP神经网络对特征进行训练，最终实现对手指根数及一些特殊手势的识别。实验表明，该系统能有效分割手掌部分，达到对静态手势95%以上的识别率。

一般情况下,手势识别的第一步就是先手势定位,即手势所在部位的提取。本文是基于kinect来提取手势识别的，即先通过kinect找出人体的轮廓，然后定位轮廓中与手部有关的点，在该点的周围提取出满足一定要求的区域，对该区域进行滤波后得到的区域就是手部了。然后利用凸包和凹陷的数学几何方法，画出手指和手指凹陷处的点，以及手的轮廓线，并在图像中显示出来。文章所有代码都是网友Robert Walter提供的。

手势分割中的特征匹配.rar

手势指尖检测算法c++实现，使用肤色分割算法将手势从复杂背景中分离出来，通过检测手指指尖进行手指识别。