现实生活中,通过视觉和手势进行交流是极为寻常的事情,如何使计算机采用更人性化的方式进行信息交互,是多媒体技术重要的研究方向。实现手势交互的前提是对手形进行检测和跟踪,只有对场景中的手形进行检测和跟踪后,才能根据手的形状和运动轨迹来判断用户手势所要表达的含义。然而,人手本身具有可旋转、非刚性的特性,同时,手的运动具有极大的自由度、光照条件异常不稳定、背景相当的复杂、以及出现被遮挡等情况。如何利用计算机图像处理技术实现手形高效、稳定的检测与跟踪,并不断提高算法的准确度成为了研究核心所在。TLD(Tracking-Learning-Detection)是近年来出现的一种单目标长时间跟踪的高效算法。该方法在第一帧给定目标后,系统对目标进行稳定的跟踪,有重要的研究价值。但是TLD算法仍存在许多不足之处,例如在遇到目标遮挡的时候跟踪效果不明显,甚至出现误跟踪和跟踪丢失的情况。为弥补TLD的不足,作者以Kalman滤波为关键切入点,利用Kalman的预测能力增强TLD算法的抗遮挡能力。并在此基础上,实现了相应的检测与跟踪算法。具体研究工作如下:以AdaBoost算法为基础,研究了Haar特征提取以及手形分类器的训练方法,并成功训练得到一个分类效果较好的手形分类器。结合Kalman滤波算法和TLD跟踪算法的优点,提出了一种基于TLD框架的移动目标跟踪算法。详细分析了TLD跟踪算法的跟踪器、检测器、学习器的功能以及相关技术,将Kalman滤波引入到TLD算法中,以探讨提高TLD跟踪算法的准确度以及抗遮挡能力的机理。结合手形检测和目标跟踪过程,实现了基于TLD框架的手形检测与跟踪算法。对静态手形快速检测,并对手形区域进行定位,最后使用改进的TLD目标跟踪算法对定位的手形区域进行跟踪以获取动态手形轨迹。为检验上述综合方法的有效性,对Mean-shift跟踪算法、粒子滤波跟踪算法、原TLD跟踪算法以及综合Kalman滤波的TLD跟踪算法进行了对比分析。并在OpenCV+vs2012环境下实现了结合AdaBoost检测与改进的TLD跟踪算法的手形检测与跟踪原型系统。系统测试与对比分析表明,Kalman及TLD综合算法抗目标遮挡跟踪能力有明显提高。