Durch die videobasierte Erkennung von Handgesten eröffnen sich völlig neue Möglichkeiten für die Gestaltung intuitiver und natürlicher Mensch-Maschine-Dialoge, z.B. für Multi-Display Umgebungen. Insbesondere ermöglicht die Klassifikation von Handsymbolen die Trennung von an die Maschine gerichteten Eingaben und zur zwischenmenschlichen Kommunikation ausgeführten Gesten. Zur videobasierten Klassifikation und Lokalisierung von Handgesten stellen konturbasierte Verfahren einen vielversprechenden Ansatz dar, inbesondere im Hinblick auf die Erfüllung der hohen Anforderungen an Verarbeitungsgeschwindigkeit und Robustheit an ein solches System. Konturbasierte Merkmale hängen jedoch stark vom jeweiligen Blickwinkel der Kameras ab. Die daraus entstehenden Mehrdeutigkeiten und die je nach Geste großen benutzerabhängigen Varianzen bei der Ausführung der Handsymbole innerhalb einer Handsymbolklasse, stellen jedoch Probleme für eine robuste Klassifikation von Handsymbolen dar.

Eine Möglichkeit zur Lösung obiger Probleme ist die Einbindung von Kontextwissen in die Verarbeitungskette des Detektions- und Klassifikationsprozesses. Bei der Nutzung der Handgesten für die Mensch-Maschine Interaktion kann insbesondere das Wissen über gegenwärtige Möglichkeiten und Einschränkungen bei der Interaktion mit dem System als a-priori Wissen genutzt werden.

Die angefertigte Arbeit zeigt auf, wie die Erkennungsleistung durch die Integration von Kontextwissen verbessert werden kann. Dazu wurde auf Basis eines bereits bestehenden videobasierte Handgestenerkennungssystems ein formaler Rahen geschaffen, welche es erlaubt Kontextwissen auf unterschiedlichen Stufen im Verarbeitungs- und Klassifikationsprozess zu integrieren. Anhand der Ergebnisse verschiedener Versuchsreihen wird verdeutlicht, welchen Einfluss das Kontextwissen auf die Robustheit der Klassifikationsentscheidung hat.