随着科技的发展,虚拟现实等人机交互技术近年来得到了迅速的发展,而手势的三维重建作为人机交互中最重要的一个部分,得到了研究人员的广泛关注,已经成为目前计算机视觉领域最热门的研究方向之一。作为手势三维重建中不可或缺的关键部分,针对手势的轮廓检测有着重要的实际应用价值。近年来,随着深度学习的发展,许多基于深度学习的手势检测和轮廓检测算法应运而生。但目前的轮廓检测算法仍然存在难以针对特定目标以及检测结果不连续等问题。为了解决这两个问题,本文提出了一种基于深度学习和非刚性迭代最近点的手势轮廓配准方法,可以针对图像中的手势提取出连续完整的轮廓,本文主要贡献如下:本文提出了一种针对手势的边缘检测方法,为了解决难以针对手势提取完整轮廓的问题,引入了像素级别的手势检测。将经典语义分割算法全卷积网络应用于手势检测任务,用我们自己建立的手势数据集进行训练,实验结果表明全卷积网络可以实现对复杂场景中的任意手势的准确分割;使用全局嵌套边缘检测算法检测图像的边缘,根据目标边缘部分在语义分割任务中难度最大的特性,对语义分割结果选取合适的阈值并用该阈值对应的区域对边缘检测结果进行分割,实验结果表明利用语义分割结果可以有效地分割出图像边缘检测结果中属于手势的边缘部分;本文提出了一种对手势轮廓进行配准的方法用以解决边缘检测结果不连续的问题,根据基于多视图拔靴法和卷积姿态机的手势关键点检测算法的检测结果生成折线轮廓作为配准模板,解决了手势轮廓没有通用配准模板的问题;以检测到的手势边缘作为目标,将三维配准算法非刚性迭代最近点扩展到二维空间中进行手势轮廓的配准。实验结果表明,通过配准操作可得到连续完整的手势轮廓,最终配准结果可以取得0.697的F1值。