随着移动设备和人机交互技术的日益发展和结合,移动端手部检测技术的研究也越来越重要。面向移动端复杂背景的手部检测主要面临两方面的挑战。一方面移动设备有限的计算资源和存储空间对性能的影响,另一方面移动设备的复杂背景对检测效果的影响。因此,算法应同时具备较高的识别精度和运算性能。针对面向移动端的复杂背景的手部检测问题,从像素级和区域级检测两个层面着手研究,提出了基于可变特征的结构化森林和基于改进ACF和Edge Boxes的手部检测算法,有效地提高了移动终端手部检测的精度和性能。论文主要工作如下:1.详细分析了移动端复杂背景手部检测所面临的主要问题和局限性,并给出相关假设和解决方案。除移动设备本身有限的计算资源和存储空间局限性之外,还涉及五个方面:1)三维空间中视角不同会引起二维图像剧烈变化;2)光照条件的变化;3)手部姿态的多样性;4)含类肤色物体的背景;5)手部轮廓的不完整性。2.针对像素级手部检测问题,在随机森林算法框架中引入可变特征和结构化学习,提出了基于可变特征的结构化森林。该算法通过在多个特征空间中进行节点分裂,并对输出空间进行结构化,使算法具有更好的判别和泛化能力,从而将图像中的手部像素从背景中分离出来。3.针对区域级手部检测问题,基于多色彩空间肤色模型,结构化边缘检测,Edge Boxes,以及空间金字塔池化,对ACF特征进行改进,并与AdaBoost相结合进行手部检测,从而将手部所在的矩形区域标识出。4.最后本文以移动端手势绘图系统作为原型系统,采用上述方法实现对手部区域的检测,获取手部轨迹,完成移动图形对象等操作。