文档介绍：一种实时连续手势识别系统
摘要：本文讨论了一种使用数据手套并具有大量词汇的实时连续手势识别手语解释器。本文首先解决了手势输入流终点检测，它是最关键的问题，之后对手势中的4项参数进行了统计分析，它们分别是：姿势，位置，方向和动作。我们设计了一个具有250个台湾手势语的原型系统。此系统对51个基本姿势，6个方向，8个原始动作应用隐式马尔可夫模型。在签名依赖方式下，该系统能够实时连续地识别基于这些词汇的手语句，%。

当禁止语音通话时，当书写、打字无法进行但视觉正常时，手势语将成为最常使用的沟通工具。更重要的是，对于听觉受损者，手势语是最自然并具有表现力的沟通方式。
手势语动作像其他口语语言一样，具有连续性和交换性，手势语识别者必须有能力连续实时的分辨出手语词汇。本文作者力图构建一个针对台湾手势语的连续实时识别系统。下文首先给出贯穿本文的两个基本定义。
手势通常被认为是手和身体的移动，这种移动能将信息从一方传递到另一方。因为我们的兴趣在于手势，所以本文中“姿势”一词常用来指代手势。
姿势：姿势是某一时刻观察到的手的特定的弯曲。
手势：手势是某小一时段内运动连接的姿势序列。
通常一个手势包括一个或多个姿势构成的时间上的序列。本文中为了方便描述，使用“手势”，“词语”和“词汇”等词同等地表示手语中的语义。同样，本文中使用语句表示手势序列。

Fels手套谈话[3]关注手势—语言接口。此外，Beale和Edward姿态识别器[1]使用多层感知器模型来将传感得到的数据分类到美国手势语中的五种姿态。为帮助残疾人，Newby致力于基于统计相似性[5]的方法识别美国手语字母表中的字母和数字。
Watson[1]提出过一种使用样条逼近的简化方法。手势通过手和手腕运动的关键点序列（局部的极小值和极大值）来表征[6][7]。这种方法在手势匹配上具有较大的时间和控件灵活性，因此减少了对计算的要求。
Starner和Pentland的美国手语系统[8][9][10]能够识别具有40个词汇的美国手语短句，每个词汇都附属于语言的一部分，这大大地降低了计算复杂性。通过将特征向量传入隐式马尔可夫模型（HMM）可以识别手势词汇。该系统将一个计算机语言学概念有机的融合到了手势识别当中。另外，Nam系统[11]试图识别手部运动模式。有人曾提出一种基于隐式马尔可夫模型的方法用于识别手部运动的时空模态，该方法成功地识别了10种运动原语。
Liang和Ouhyoung提出了一种使用隐式马尔可夫模型的手语识别系统[12]，并将计算机语言学中的统计方法融入其中。该系统试图通过识别构建的手势和上下文信息来识别出手语中大量的词汇。
本文所讨论的系统是上述系统的扩展。除了使用姿态模型外，我们还将用位置、方向、运动模型来提高系统的性能。

一个台湾手语词汇可以认为是包含了一个或多个姿势的手势，它具有独立完整的语义。与Stokoe分析美国手语[13]相类似，4个基本参数是姿势，位置，方向和运动。
台湾手语中有51个基本姿势（）。大部分手势只包含一个姿势，比如：我，你，谁等等。当然也有包含多个姿势的手势，比如：原来，爸爸，妈妈，谢谢，再见等。
台湾手语中有22个典型的位置（）。比如，词汇“我”的动