3、直方图特征检测法

直方图的特征检测是主要用来处理光照和手部旋转等因素对识别造成的影响，通过复杂的运算来实现，但是由于计算量过于庞大，所以处理的手势仅限于事先定义的手势。

4、特征线条检测法

特征线条的识别方法主要用于在动态手势识别领域，其原理是对人手结构进行处理，将其细分成若干等长的线段，而后在连续的图像中，分析这些线段的位置，角度变化关系，来得出手势运动的分析结果。

该方案的好处在于手势识别的鲁棒性优于其他检测方案，在分割手形完整的情况下，能够非常精细的分析手部的具体运动情况，同时由于没有太依赖于手势分割技术，所以即使在在有非手势区域和分割不完整的情况下，也能有很好的表现，对于运动参数计算和手势的分析依旧有较高的准确性，是一种很好的动态检测方案。

5、三维模型识别法

三维模型的核心主要分为两类，其一是基于几何模型，其二是基于系统自我学习。

在前者的手势识别中，手指和手掌的检测较为关键，如果使用圆形模板来匹配相应的指尖特征，计算量相对较大。相应地，如果是使用自我学习的方式，则需要大量已有的标准样本，而后在一定的学习过程中，进行分类。

对于三维模型的评价主要是，首先能够准确地反应手的结构和形状变化，但是通常三维模型的计算耗费的成本过高，对于实时性要求较高的人机交互方式则不太合适

6、基于Kinect深度图像的检测法

Kinect深度图像的检测方案的主要流程包括获取深度信息，处理获得深度图像，经分割区域，提取特征，识别手势，转换信息等操作

该方案与其他方案最大的差异在于其他方案没有考虑光照条件的影响，现实中可能存在强光和弱光等情况，光照条件不稳定，对于直接影响了应用的实际操作效果。

深度图像之所以能够忽略光照条件的影响原因就在于深度图像中的灰度值实质是物体表面到采集窗口的距离。这点是本质区别，也正是因此，深度图像才能与颜色无关，同时也不受到光照等问题的影响。同时，深度图像的灰度值与正常图像中X，Y坐标够构成了三维坐标系，能够进行场景的三维建模，也就等同于3D空间模式识别，可以处理一些重叠遮挡等问题。

同时由于深度图像的成像原理决定了其成像具有较高的鲁棒性，无需过多的测量标志物，自身可以实现自调节。在如此优厚的条件下，使得开发者可以更关注识别算法，而不用花太多精力在图像分割处理等等前期处理工作，简化了系统开发。同时也因采用非接触性的采集方式，同时采集的深度信息不受光照条件，自身颜色，纹理特征等等因素的影响，可以更大的节省精力，用以投入到后期数据处理。

2 设计思路

2.1   目标

基于Kinect的旗语识别系统的主要目标是基于微软Kinect设备开发，利用Kinect提供的RGB数据和骨骼图数据，设计并实现出一套实时的旗语识别系统， 除了能够识别常见预先定义的静态手势,同时也应该做到在没有歧义的情况下，实现简单的动态手势识别，要求系统有一定的稳定性和鲁棒性

2.2   原理

基于Kinect的旗语识别系统，在本系统中，使用微软的Kinect作为数据采集工具，Kinect提供了三种图像数据格式，RGB数据，深度数据，和骨骼坐标点数据，本次系统中使用的是骨骼图坐标点来进行数据识别