基于Opencv的手势识别

        手势识别一直是一个很热门的方向，也是应用方向很广的，比如，手机，电视机，无人机都可以应用到，因此研究的人也比较多，各种做法也比较多，笔者也写过三篇相关，比如：

基于深度学习神经网络YOLOv5目标检测的手势识别系统_yolov5手势识别创新点-CSDN博客

基于深度学习神经网络YOLOv4目标检测的手势识别系统-CSDN博客

基于OpenCV+深度学习CNN+Keras的智能手语/手势识别系统-CSDN博客

第一篇和第二篇是基于yolo做开发的，也就是目标检测，端到端检测到，第三篇是分两部的，首先通过传统算法检测到手的部分，然后再进行分类。那有没有基于手指关键点的做法呢，答案是肯定的，马上安排。

        基于手指关键点检测，我们首先是要检测到手的关键点，这个可以用深度学习做，也可以用一些现有的检测包，然后再根据手的关键点，进行角度计算，就可以判断这个手势属于那种

角度计算代码可参考如下：

#   计算姿态
def get_pos(keypoints):
    str_pose = ""
    # 计算左臂与水平方向的夹角
    keypoints = np.array(keypoints)
    v1 = keypoints[1] - keypoints[0]
    v2 = keypoints[2] - keypoints[0]
    angle_left_arm = get_angle(v1, v2)
    #计算右臂与水平方向的夹角
    v1 = keypoints[0] - keypoints[1]
    v2 = keypoints[3] - keypoints[1]
    angle_right_arm = get_angle(v1, v2)

    if angle_left_arm>0 and angle_right_arm>0:
        str_pose = "LEFT_UP"
    elif angle_left_arm<0 and angle_right_arm<0:
        str_pose = "RIGHT_UP"
    elif angle_left_arm>0 and angle_right_arm<0:
        str_pose = "ALL_HANDS_UP"
    elif angle_left_arm>0 and angle_right_arm<0:
        str_pose = "NORMAL"
    return str_pose



def get_angle(v1, v2):
    angle = np.dot(v1, v2) / (np.sqrt(np.sum(v1 * v1)) * np.sqrt(np.sum(v2 * v2)))
    angle = np.arccos(angle) / 3.14 * 180

    cross = v2[0] * v1[1] - v2[1] * v1[0]
    if cross < 0:
        angle = - angle
    return angle

搭建出的GUI界面如下（具有图片识别和摄像头实时识别功能）：

提供整套，提供GUI界面代码

代码的下载路径（新窗口打开链接）：基于Opencv的手势识别

​

有问题可以私信或者留言，有问必答