摘要

自动手语识别（Sign Language Recognition, SLR）是人机交互与机器学习领域中的一个重要研究课题。一方面，该任务具有高度复杂性，需要融合视频处理、图像处理、智能系统以及语言学等多个知识领域的技术；另一方面，实现鲁棒的手语识别有助于促进手语翻译进程，推动听障人士的社会融合，并为听力正常人群提供手语教学支持。现有的SLR系统通常采用隐马尔可夫模型（Hidden Markov Models）、动态时间规整（Dynamic Time Warping）或类似方法来识别手语动作。这些技术依赖于帧序列的时序结构，以减少识别过程中的假设空间。本文提出了一种通用的概率模型，用于手语分类，该模型结合了基于不同特征类型（如位置、运动轨迹和手形）的子分类器。在所有分类步骤中，该模型均采用“词袋”（bag-of-words）方法，旨在验证“时序顺序并非识别所必需”这一假设。实验结果表明，该模型在包含64个手语类别、共3200个样本的阿根廷手语数据集上达到了97%的识别准确率，为“无需依赖时序信息即可实现有效识别”提供了有力证据。