Gần đây, có nhiều giải pháp nhận dạng cử chỉ động của bàn tay người đã được đề xuất. Tuy nhiên, việc triển khai trong các ứng dụng thực tế vẫn còn phải đối mặt với nhiều thách thức như sự thay đổi về hướng nhìn của máy quay, điều kiện nền phức tạp hoặc đối tượng điều khiển. Trong nghiên cứu này, chúng tôi đánh giá hiệu quả của không gian đa tạp biểu diễn cho các cử chỉ động của bàn tay đối với sự thay đổi hướng nhìn của máy quay. Hơn nữa, kết quả còn được đánh giá với sự kết hợp các đặc trưng của cùng một cử chỉ trên nhiều góc nhìn khác nhau. Chúng tôi xây dựng một cơ sở dữ liệu gồm năm cử chỉ động của bàn tay trên nhiều góc nhìn và thu thập trong môi trường trong phòng, với điều kiện nền phức tạp. Các thử nhiệm được đánh giá trên từng góc nhìn cũng như đánh giá chéo giữa các góc nhìn. Ngoài ra, kết quả còn cho thất sự hiệu quả khi kết hợp thông tin thu được trên nhiều luồng thông tin tại cùng một thời điểm, ngay cả so với những giải pháp sử dụng mạng nơ ron tiên tiến hiện nay. Kết quả phân tích trong nội dung của bài báo cung cấp những thông tin hữu ích giúp cho triển khai ứng dụng điều khiển sử dụng cử chỉ động của bàn tay trong thực tế., Tóm tắt tiếng anh, Recently, a number of methods for dynamic hand gesture recognition has been proposed. However, deployment of such methods in a practical application still has to face with many challenges due to the variation of view point, complex background or subject style. In this work, we deeply investigate performance of hand designed features to represent manifolds for a specific case of hand gestures and evaluate how robust it is to above variations. To this end, we adopt an concatenate features from different viewpoints to obtain very competitive accuracy. To evaluate the robustness of the method, we design carefully a multi-view dataset that composes of five dynamic hand gestures in indoor environment with complex background. Experiments with single or cross view on this dataset show that background and viewpoint has strong impact on recognition robustness. In addition, the proposed method's performances are mostly increased by multi-features combination that its results are compared with Convolution Neuronal Network method, respectively. This analysis helps to make recommendation for deploying the method.