今天给大家介绍一下基于Mediapipe+Opencv如何实现手势检测功能。，文章的内容小编觉得不错，现在给大家分享一下，觉得有需要的朋友可以了解一下，希望对大家有所帮助，下面跟着小编的思路一起来阅读吧。
一、前言
基于Mediapipe+Opencv实现手势检测，想实现一下姿态识别的时候，感觉手势识别也蛮重要的就过来顺便实现一下。
二、环境配置
软件：
ANACONDA3+Pycharm2019
环境：
opencv-python>=4.5.5
mediapipe>=0.8.9.1
注：一定关掉科学上网
三、全部源码
比较短小且只有一个源文件MediapipeHandTracking.py我就直接在这里贴了
MediapipeHandTracking.py程序结构：
保存mediapipe中的手势识别解决方案到mpHands,hands,mpDraw中
参数设定
循环读取视频流到img，img输入hands.hands函数得到结果，绘制结果到img并输出
MediapipeHandTracking.py源码与注释
import cv2import mediapipe as mpimport time#第一步：保存mediapipe中的手势识别解决方案到mpHands,hands,mpDraw中mpHands = mp.solutions.hands #以下三个是mediapipe 中的API调用模板了hands = mpHands.Hands(min_detection_confidence=0.5, min_tracking_confidence=0.5)#最小检测置信度，最小追踪置信度mpDraw = mp.solutions.drawing_utils #获取mediapipe解决方案的绘画工具包#第二步：参数设定handLmsStyle = mpDraw.DrawingSpec(color=(0, 0, 255), thickness=3)#绘制手部关键点的颜色与粗细handConStyle = mpDraw.DrawingSpec(color=(0, 255, 0), thickness=5)#绘制手部线条的颜色与粗细pTime = 0 #和下面的cTime一起用于计算视频输入流FPScTime = 0cap = cv2.VideoCapture(0) #打开编号为0的摄像头，这个一般是自带摄像头#第三步：循环读取视频流到img，img输入hands.hands函数得到结果，绘制结果到img并输出while True: ret, img = cap.read() #从cap中读取图片到img，并将读取是否成功的结果保存在ret if ret: imgRGB = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) #模型训练的时候是使用RGB训练，对于这个类型识别精度和速度比较高 result = hands.process(imgRGB) #将RGB图片输入手部模型将结果保存在result # print(result.multi_hand_landmarks) #打印result.multi_hand_landmarks内容，可以去掉试一下 imgHeight = img.shape[0] #获取摄像机图片的高 imgWidth = img.shape[1] #获取摄像机图片的宽 if result.multi_hand_landmarks:#如果multi_hand_landmarks不为空进入循环 for handLms in result.multi_hand_landmarks: #遍历multi_hand_landmarks内每一个hand_landmark（手部关键点），相对于遍历图片中每一个手 mpDraw.draw_landmarks(img, handLms, mpHands.HAND_CONNECTIONS, handLmsStyle, handConStyle) #调用mediapipe内绘画工具包绘画手部关键点 for i, lm in enumerate(handLms.landmark): #i保存第几个手部关键点，lm保存该点在图中的归一化值 xPos = int(lm.x * imgWidth) #第i个关键点x yPos = int(lm.y * imgHeight)#第i个关键点y cv2.putText(img, str(i), (xPos-25, yPos+5), cv2.FONT_HERSHEY_SIMPLEX, 0.4, (0, 0, 255), 2)#绘制关键点在，关键点左边靠下一点 if i == 8:#当画到第八个关键点时 cv2.circle(img, (xPos, yPos), 10, (166, 0, 0), cv2.FILLED)#画一个圆 #print(i, xPos, yPos) #打印绘制这个点时候的坐标 cTime = time.time() fps = 1/(cTime-pTime) pTime = cTime cv2.putText(img, f"FPS : {int(fps)}", (30, 50), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 3) #绘制FSP到图中 cv2.imshow('img', img) #输出图片 if cv2.waitKey(1) == ord('q'):#点击视频，输入q退出 break四、环境配置
1、在Anaconda3上新建环境Gesture
打开Anaconda Prompt,输入：
conda create -n Gesture python=3.8
2、激活Gesture环境并下载opencv-python包
激活环境：conda activate Gesture
下载opencv-python包：pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple/
3、下载mediapipe包
pip install mediapipe -i https://pypi.tuna.tsinghua.edu.cn/simple/
4、打开Pycharm完成环境导入项目
配置代码运行环境
五、运行程序：
用Pycharm打开包含hanTracking.py程序的文件夹，并运行
运行结果
六、程序应用扩展
1、手部的关键点的位置和次序我们全部已知的特点
该功能可用于图片ROI提取截取出图片，然后进行其他一些图片操作。
该功能可用于手势响应事件。比如约定，食指和大拇指也就是4号和8号触碰时候触发某事件
，等等。
实现AL+操作
2、和其他AL结合
比如姿态检测AL,能将人识别成一个火柴人，开发空间有不少用处。
3、全身检测源码
import cv2import timeimport mediapipe as mpmp_drawing = mp.solutions.drawing_utilsmp_holistic = mp.solutions.holisticholistic = mp_holistic.Holistic(min_detection_confidence=0.5, min_tracking_confidence=0.5)handLmsStyle = mp_drawing.DrawingSpec(color=(0, 0, 255), thickness=0)#绘制手部关键点的颜色与粗细handConStyle = mp_drawing.DrawingSpec(color=(0, 255, 0), thickness=4)#绘制手部线条的颜色与粗细cap = cv2.VideoCapture(0)while True: ret,image=cap.read() if ret: image = cv2.flip(image, 1) image=cv2.cvtColor(image,cv2.COLOR_BGR2RGB) results = holistic.process(image) if results.pose_landmarks: mp_drawing.draw_landmarks(image, results.face_landmarks, mp_holistic.FACEMESH_CONTOURS,handLmsStyle,handConStyle) mp_drawing.draw_landmarks(image, results.left_hand_landmarks, mp_holistic.HAND_CONNECTIONS) mp_drawing.draw_landmarks(image, results.right_hand_landmarks, mp_holistic.HAND_CONNECTIONS) mp_drawing.draw_landmarks(image, results.pose_landmarks, mp_holistic.POSE_CONNECTIONS) cv2.imshow("img",image) if cv2.waitKey(1)==ord("q"): breakholistic.close()运行效果如下：
晒晒我帅气的舍友
以上就是基于Mediapipe+Opencv如何实现手势检测功能的全部内容了，更多与基于Mediapipe+Opencv如何实现手势检测功能相关的内容可以搜索编程网之前的文章或者浏览下面的文章进行学习哈！相信小编会给大家增添更多知识,希望大家能够支持一下编程网！
