近年来，人机交互领域取得了巨大的进步。人手作为人与外界交互最频繁且最自然的部位之一，基于人手运动的人机交互研究受到了广泛的关注，而手部跟踪算法则是其实现的基础和关键。人手的运动具有速度快且加速度多变的特点，故人手可被看作为一种高机动目标，设计其位置跟踪算法具有挑战性。非线性卡尔曼滤波算法是一种有效的解决方案，但由于缺乏一致性而无法提供实时的估计精度反馈，算法的可信度有限。因此，本文开展了基于一致性卡尔曼滤波的手部跟踪算法的研究。

本文的主要工作与创新点归纳如下：

1. 针对手部跟踪算法缺乏估计精度实时反馈的问题，提出了基于一致性扩展卡尔曼滤波的手部跟踪算法。根据手部运动复杂且加速度多变的特点，建立了考虑未知非线性不确定动态的手部运动模型。在该模型的基础上，通过合理的假设和理论证明，提出了基于一致性扩展卡尔曼滤波的手部跟踪算法。在实际实验中，本文所提出的算法、经典扩展卡尔曼滤波算法以及经典无迹卡尔曼滤波算法的位置估计分量的均方根误差的最大值分别为 2.06mm、53.59mm 和 24.88mm；有效一致性时间占比的均值的最小值分别为 97.44%、26.09% 和 6.74%。实验结果表明本文所提出的算法具有良好的跟踪性能，并可以提供估计精度的实时反馈。

2. 针对所提出的手部跟踪算法参数待优化的问题，提出了面向“最小化估计分量均方根误差和”的参数优化方法。为了量化表示算法的估计性能，选择了估计分量的均方根误差和作为算法的整体性能指标。针对该指标提出了基于遗传算法、粒子群算法以及二者的混合算法的手部跟踪算法的参数优化方法。在仿真和实际实验中，优化后算法性能提升的最小值分别为 2.84% 和 13.62%，验证了参数优化方法的有效性。

3. 利用所提出的手部跟踪算法，开展了面向运动评估的初步人机交互研究。

通过 Unity 3D 软件搭建了面向运动评估的人机交互平台，利用 Leap Motion 控制器和本文所提出的算法实现了对人手运动的跟踪。通过该人机交互平台完成了面向运动评估的初步实验，为后续基于手部跟踪算法的运动评估研究提供了初步参考。