1.基于Kinect传感器的静态手语字母识别系统，其特征在于：包括摄像模块，采用Kinect传感器采集目标区域深度图像；

静态手语特征提取模块，用于提取静态手语的特征点并生成相应的特征描述符，同时采用特征点筛选算法对SURF的特征点提取结果进行改进；

静态手语识别模块，采用“一对一”SVM分类法，以SURF算法生成64维的SURF特征描述符为基准，进行分类训练及识别，得出识别的结果。

2.如权利要求1所述的基于Kinect传感器的静态手语字母识别系统，其特征在于：还包括图像预处理模块以及手像素区域分割模块，图像预处理模块用于将摄像装置获取的深度图像进行初步降噪处理，手像素区域分割模块通过灰度直方图中灰度值由大到小的变化趋势，寻找像素点剧变较大处的灰度值作为手像素区域分割的阈值，再通过二值化方法来完成手像素区域分割。

3.基于Kinect传感器的静态手语字母识别方法，其特征在于：包括如下步骤：

1)利用摄像模块的Kinect传感器获取深度图像；

2)利用图像预处理模块，将摄像装置获取的深度图像进行初步的降噪处理；利用手像素区域分割模块，通过二值化方法对获得的深度图像进行手像素区域分割，使得手部区域成为感兴趣区域；

3)利用静态手语特征提取模块，采用SURF算法提取特征点；同时采用特征点筛选算法对SURF算法的计算结果进行优化，剔除错误特征点；

4)利用静态手语识别模块，对生成的64维的SURF特征点描述符，采用“一对一”SVM分类法，进行分类训练，得出识别的结果。

4.如权利要求3所述的基于Kinect传感器的静态手语字母识别方法，其特征在于：所述SURF算法的Hessian矩阵为：其 中 ,Lxx、Lxy、Lyy 分 别 是 G(x,y,σ) 在 x、y、xy 方 向 的 2 阶 偏 导数:

5.如权利要求4所述的基于Kinect传感器的静态手语字母识别方法，其特征在于：所述SURF特征点提取为：在Hessian矩阵与箱式滤波器进行卷积操作后，可以得到 的近似矩阵Happrox，其行列式为：

其中，Dxx、Dyy、Dxy为卷积结果，ω为加权系数，此系数可通过 的F(Frobenius)范数进行约束，当近似矩阵Happrox行列式值为正时，证明该点是极值点；反之，则不是极值点；对得到的每一个极值点与对应的3×3×3立体邻域内除该点以外的26个点进行比较，通过非极大值抑制(NMS)的极值点定位，得到关键点的准确坐标以及尺度σ。

6.如权利要求3中所述的基于Kinect传感器的静态手语字母识别方法，其特征在于：所述特征点筛选算法为：

设实时图像和模板图像分别为I、I′，其特征点集分别为C＝{C1,C2,…Cn}、C′＝{C1′,C2′,…Cn′}，其对应的一对匹配特征点对为P、P′，其中P∈C，P′∈C′，在半径为r的邻域内，若两幅图像只存在平移和旋转，则应该满足以下结论：

1)邻域特征点总个数相同，即以P为中心，以r为半径的邻域内特征点总个数，应等于以P′为中心，以r为半径的领域内特征点总个数；

2)对应特征点的间距相同；设Ci,Cj∈C，Ci′,Cj′∈C′，Ci、Ci′是对应的一对特征点，Cj、Cj′也是对应的特征点，则Ci与Cj的距离值应当和Ci′与Cj′的距离值应相等，即d(Ci，Cj)＝d(Ci′，Cj′)；

基于以上原理，根据以下步骤来剔除错误的特征点：

1)定义一个自适应半径r，若在以当前r为半径的邻域内，特征点个数少于2个，则将r的值提高一倍后再计算特征点个数；若在以当前r为半径的邻域内，特征点个数大于2个，则进行下面两个步骤；

2)计算以匹配点对P、P′为中心，半径为r的邻域内特征点的个数，若特征点的个数相同，则P是正确的特征点，否则，P是错误的特征点，需要进行剔除；

3)计算该特征点与其邻域内其他特征点的距离，通过这一参数限制进一步剔除错误特征点：设P、P′是已满足邻域特征点总数相等这个条件，假设在以r半径的邻域内特征点个数为n，则将P、P′到其邻域内其他特征点的距离按照降序排列统计后分别记为D1＝{d1,d2,…dn}和D2＝{d2,d2,…dn}，若D1与D2的偏差在允许的范围内，则认为P是正确的特征点，否则不匹配。

7.如权利要求3中所述的基于Kinect传感器的静态手语字母识别方法，其特征在于：所述SURF特征描述符为：

关键点描述分为两部分，首先，确定关键点的主方向，然后生成相应的关键点描述符；

在以关键点为圆心，半径为6σ的圆内，σ为尺度，计算尺寸为4σ的Harr小波响应dx，dy，对之进行高斯加权，记为对 用直方图统计，将一个圆的360°分成72组60°大小的扇形区域，分别统计这些扇形区域内的 同时计算该区域的梯度值，梯度值最大的扇形区域所在方向为关键点的主方向，根据 的反正切值可求出关键点主方向的度数；

确定主方向后，以关键点为核心，构建一个大小为20σ的正方形窗，与关键点对齐，将这个正方形窗划分为4×4共16个小正方形区域，计算每个小区域内Harr小波响应dx，dy，并用高斯函数进行加权。每一个小区域内的Harr小波响应对应的大于零和小于零的dx、dy分别累加，得到的描述符如下：为四维向量，4×4个小区域就组成了关键点的64维描述符向量。

8.如权利要求3中所述的基于Kinect传感器的静态手语字母识别方法，其特征在于：所述SVM“一对一”模型为：

对于m个类别则将训练出m(m-1)/2个SVM模型，分类时将待分类样本x输入到每个SVM模型，若该样本x属于第i类，则第i类的得分加1，最后得票最多的类别则判为该未知样本的类别，采用以下公式：其中，x′n为第n个特征的第i维特征矢量；

将每类手语字母的SURF特征大小归一化到[0 1]。