cap = cv2.VideoCapture(0)
while True:
ok, img = cap.read()
if ok:
imgRGB = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
results = hands.process(imgRGB)
在循环中，我们首先从摄像头中读取一帧图像，并且将其转换为RGB格式。然后，我们将图像传递给Hands模型进行处理，并且得到处理结果。接下来，我们将对处理结果进行分析，并且将结果可视化。
在Hands模型中，每个检测到的手部都会被表示为一个HandLandmark对象，其中包含了21个关键点的位置信息。我们可以通过遍历HandLandmark对象中的关键点，并且在图像中绘制出关键点的位置，来实现对手部的跟踪和分析。例如，我们可以使用下面的代码来绘制出每个关键点的位置：
for handLms in results.multi_hand_landmarks:
for id
Python：手势识别器 —— 实现手部动作的识别（源代码附带）手势识别是现代计算机视觉领域研究的一个重点，而手势识别器是其中非常重要的一种应用。本文将介绍如何使用Python实现手势识别器，以此来实现手部动作的识别，同时我们将附带完整的源代码供读者参考。在开始之前，我们需要准备好以下环境和库：接下来我们开始编写代码。首先，导入所需的库：import cv2
import numpy as np
import pyautoguicap = cv2.VideoCapture(0)cv2.namedWindow
【代码】Python使用Opencv图像处理方法完成手势识别(二)**所谓寻找最低点，就是寻找手掌最下面点的坐标****比如这幅图，最左下角的点就是手掌的最低点，获得的方法是使用numpy的**`np.argmax`**函数，将维度设置为图片高的维度，获得最大的高就是获得最低的点。****获取成功之后就将最低点与其他点的距离计算出来：**## 通过距离阈值判断手指根数和手势
**然后通过这个距离阈值排除两根手指中间的点:**
**可以发现左边的图片线的数量比右边少了几根双指中间的。
最后我们只需要通过手指线
基于MediaPipe和python实现手势识别
1.MediaPipe的简介
MediaPipe是用于构建应用ML管道的多模式（例如，视频，音频，任何时间序列数据）的框架。利用MediaPipe，可以将感知管道构建为模块化组件的图形，包括例如推理模型（例如，TensorFlow，TFLite）和媒体处理功能。
有关手部检测和手部跟踪的整体背景，请阅读此
Python + opencv + mediapipe 实现手势识别
MediaPipe是一款由 Google Research 开发并开源的多媒体机器学习模型应用框架。在谷歌，一系列重要产品，如 YouTube、Google Lens、ARCore、Google Home 以及 Nest，都已深度整合了 MediaPipe。
https://google.github.io/mediapipe/
编辑器：VS code
依赖组件：opencv 、mediapipe
python -m pip
