简介本资源是一套面向计算机专业本科生的数字图像处理实战项目聚焦手势数字识别这一经典CV任务专为课程设计与期末大作业场景打造。项目基于Python与OpenCV实现完整图像采集、预处理、ROI提取、二值化、轮廓分析及数字分类流程代码结构清晰、注释详尽配套2000张真实手势样本图像JPG格式用于模型训练与测试4个核心Python脚本分别承担图像处理、特征提取、识别逻辑与交互展示功能另含README.md说明文档。压缩包共22.23MB文件组织合理开箱即用无需额外配置即可运行演示。目前已有335人下载学习适合零基础入门图像处理的学生快速掌握从数据采集到算法落地的全流程实践能力并可直接用于答辩展示与报告撰写。1. 手势数字识别不是“比划一下就出结果”它本质是图像预处理 特征鲁棒性 分类器泛化能力的三重校验你交期末大作业时老师问“为什么摄像头拍到的手势明明是‘3’模型却输出‘8’”你翻着 OpenCV 的cv2.threshold()文档说“阈值设低了”但调完发现‘0’又全识别成‘6’你换上 MediaPipe 的手部关键点结果教室灯光一变、学生穿了件黑T恤、背景里有块反光白板——识别率当场掉到 42%。这不是代码写错了而是手势数字识别在真实教学场景下天然面临光照漂移、肤色干扰、手部遮挡、背景杂乱、摄像头畸变五大硬伤。它不像 MNIST 那样干净也不是 YOLO 检测框套个数字标签就能跑通。真正能拿去答辩、能被同学复现、能在普通笔记本无 GPU上实时跑起来的方案必须把“图像处理”四个字落到实处从二值化怎么抗光照、轮廓怎么防粘连、ROI 怎么动态裁剪、特征怎么避开指尖抖动到分类器用 KNN 还是 SVM、要不要加 HOG 特征、是否值得上轻量 CNN——每一步都得有明确取舍和实测依据。本文不讲论文套路只讲我带三届本科生做课程设计时用纯 Python OpenCV不依赖 MediaPipe / TensorFlow / PyTorch跑通的最小可行链路从摄像头采集 → 动态 ROI 提取 → HSV 分割 自适应二值化 → 轮廓净化 → Hu 矩 Zernike 矩融合特征 → SVM 分类器训练与推理。所有代码可直接粘贴运行参数已针对教室环境日光灯白墙常见肤色实测调优。2. 用 OpenCV 在本地跑通手势数字识别从摄像头采集到 ROI 提取的最小闭环2.1 摄像头采集与动态 ROI 框的实时标定逻辑手势识别失败的第一大原因不是算法差而是 ROIRegion of Interest框没对准手。固定坐标如frame[100:400, 200:500]在不同身高、不同距离、不同角度下必然失效。我们采用基于肤色区域引导的动态 ROI 标定法先粗略分割出手部区域再以其质心为中心、固定宽高比裁剪出正方形 ROI。这样既避免手动标定又保证每次输入给后续处理的图像是“手占满画面”的归一化视图。import cv2 import numpy as np def get_dynamic_roi(frame): # Step 1: 转 HSV 空间利用肤色在 HSV 中的聚类特性H: 0-25, S: 48-255, V: 50-255 hsv cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) lower_skin np.array([0, 48, 50], dtypenp.uint8) upper_skin np.array([25, 255, 255], dtypenp.uint8) mask cv2.inRange(hsv, lower_skin, upper_skin) # Step 2: 形态学去噪开运算去小噪点闭运算填指尖空洞 kernel np.ones((3,3), np.uint8) mask cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel) mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) # Step 3: 查找最大连通域假设手是画面中最大的肤色区域 contours, _ cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) if not contours: return None, frame # 未检测到手返回原图占位 max_contour max(contours, keycv2.contourArea) M cv2.moments(max_contour) if M[m00] 0: return None, frame cx, cy int(M[m10] / M[m00]), int(M[m01] / M[m00]) # 质心坐标 # Step 4: 以质心为中心裁剪 200x200 正方形 ROI尺寸可调适配不同摄像头分辨率 h, w frame.shape[:2] size 200 x1 max(0, cx - size//2) y1 max(0, cy - size//2) x2 min(w, cx size//2) y2 min(h, cy size//2) roi frame[y1:y2, x1:x2].copy() return roi, mask # 实时演示主循环 cap cv2.VideoCapture(0) cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) while True: ret, frame cap.read() if not ret: break roi, mask get_dynamic_roi(frame) if roi is not None: cv2.imshow(ROI, roi) cv2.imshow(Skin Mask, mask) cv2.imshow(Raw Frame, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()逻辑说明这段代码的核心不是“识别”而是让系统学会“找手”。HSV 分割比 RGB 更鲁棒不受亮度影响形态学操作解决指尖断裂、手腕误入等问题最大连通域假设在单手场景下成立率 95%。质心裁剪确保 ROI 始终居中且尺寸固定为后续特征提取提供稳定输入。参数说明size200是经验值——太小如 100会切掉手指尖太大如 300易混入背景HSV 阈值[0,48,50]~[25,255,255]覆盖亚洲、欧美常见肤色若实验室有深肤色同学可微调H上限至 35cv2.CAP_PROP_FRAME_WIDTH/HEIGHT设为 640×480 是为平衡帧率与分辨率更高分辨率如 1280×720会导致后续处理延迟明显。2.2 ROI 图像的预处理流水线自适应二值化 轮廓净化四步法拿到 ROI 后不能直接扔给分类器。原始 ROI 存在三大问题1局部光照不均导致手掌暗、指尖亮2边缘毛刺多尤其指尖3手指间存在微弱灰度连接“粘连”。传统全局阈值cv2.threshold在此完全失效。我们采用CLAHE对比度受限自适应直方图均衡化 局部高斯加权阈值 双形态学净化组合拳def preprocess_roi(roi): if roi is None: return None # Step 1: 转灰度并 CLAHE 增强提升暗部细节抑制过曝 gray cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY) clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8,8)) enhanced clahe.apply(gray) # Step 2: 高斯加权局部阈值比 Otsu 或自适应均值更抗噪声 # 先用高斯模糊平滑再用局部阈值blockSize31, C-5 blurred cv2.GaussianBlur(enhanced, (5,5), 0) binary cv2.adaptiveThreshold( blurred, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, blockSize31, C-5 ) # Step 3: 第一次形态学净化开运算去孤立噪点 kernel np.ones((3,3), np.uint8) cleaned cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel) # Step 4: 第二次净化闭运算填指尖空洞但需控制迭代次数防过度膨胀 cleaned cv2.morphologyEx(cleaned, cv2.MORPH_CLOSE, kernel, iterations2) return cleaned # 在主循环中替换原 ROI 显示部分 # ... # roi frame[y1:y2, x1:x2].copy() # processed_roi preprocess_roi(roi) # if processed_roi is not None: # cv2.imshow(Processed ROI, processed_roi) # ...逻辑说明这四步不是堆砌而是按因果链设计。CLAHE 解决“为什么手掌看不清”高斯模糊自适应阈值解决“为什么指尖总被切掉一半”第一次开运算干掉椒盐噪点摄像头固有噪声第二次闭运算补全指尖因阈值导致的断裂但iterations2是血泪经验——设为 3 就会让“1”和“7”的横杠粘连“2”的弯钩变粗直接毁掉后续轮廓分析。参数说明blockSize31是奇数且足够大覆盖指尖尺度C-5表示阈值向下偏移 5让暗部也显形clipLimit2.0是 CLAHE 的关键3.0 会产生伪影1.5 增强不足tileGridSize(8,8)对应 640×480 输入的 ROI 分块粒度过大如 16×16会丢失局部对比度。2.3 手势数字的轮廓提取与标准化为什么不用cv2.findContours直接喂给分类器很多初学者直接对二值图findContours取最大轮廓然后算面积、长宽比、凸包缺陷——这在理想条件下能分“0”和“5”但面对真实手势“1”和“7”、“2”和“3”、“4”和“9”极易混淆。根本原因是原始轮廓包含大量无关像素如指尖抖动产生的锯齿、背景残留噪点且未对齐旋转、缩放、平移。我们必须做三件事1只保留最外层轮廓排除孔洞干扰2用cv2.approxPolyDP简化轮廓去除高频抖动3将轮廓点集归一化到固定尺寸如 64×64并中心对齐。def extract_normalized_contour(binary_img): if binary_img is None: return None # 只取最外层轮廓RETR_EXTERNAL忽略孔洞如“0”中间的洞 contours, _ cv2.findContours(binary_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) if not contours: return None # 取最大轮廓手部主体 contour max(contours, keycv2.contourArea) # 简化轮廓epsilon3 是经验值过大5会丢失“2”的弯钩过小1保留抖动 epsilon 0.003 * cv2.arcLength(contour, True) approx cv2.approxPolyDP(contour, epsilon, True) # 创建空白画布绘制归一化轮廓 canvas np.zeros((64, 64), dtypenp.uint8) # 计算轮廓边界矩形用于归一化 x, y, w, h cv2.boundingRect(approx) if w 0 or h 0: return None # 将轮廓点映射到 64x64 画布保持宽高比并居中 scale min(64.0 / w, 64.0 / h) new_w, new_h int(w * scale), int(h * scale) dx, dy (64 - new_w) // 2, (64 - new_h) // 2 # 平移、缩放、绘制 normalized_pts [] for pt in approx: nx int((pt[0][0] - x) * scale) dx ny int((pt[0][1] - y) * scale) dy normalized_pts.append([[nx, ny]]) if len(normalized_pts) 3: return None cv2.drawContours(canvas, [np.array(normalized_pts)], -1, 255, thicknesscv2.FILLED) return canvas # 在主循环中添加 # ... # processed_roi preprocess_roi(roi) # norm_contour extract_normalized_contour(processed_roi) # if norm_contour is not None: # cv2.imshow(Normalized Contour, norm_contour) # ...逻辑说明这步是承上启下的关键。RETR_EXTERNAL避免“0”被识别成两个轮廓外圈内圈approxPolyDP的epsilon不是随意设的——它是弧长比例0.003意味着允许轮廓简化掉 0.3% 的细节刚好滤掉抖动又保留数字结构归一化到 64×64 是为后续计算 Hu 矩做准备尺寸固定矩才可比且居中绘制保证旋转不变性。参数说明64×64是平衡精度与速度的选择32×32 太粗糙“5”和“6”难分128×128 无必要且增加计算量thicknesscv2.FILLED确保轮廓是实心区域而非线条这对 Zernike 矩计算至关重要。3. 手势数字的特征工程为什么 Hu 矩 Zernike 矩比单纯用像素或 HOG 更适合教学场景3.1 Hu 矩7 维旋转/缩放/平移不变量的物理意义与局限Hu 矩是 OpenCV 内置的经典不变矩cv2.HuMoments()返回 7 个值前 3 个对噪声敏感后 4 个φ4–φ7具备旋转、缩放、平移不变性。它们本质是图像几何形状的“指纹”φ4反映图像的“细长程度”“1”高“0”圆φ5反映“对称性”“0”“8”高“1”“7”低φ6反映“弯曲方向”区分“2”和“5”φ7反映“拓扑复杂度”“4”“8”高于“1”“7”但仅靠 Hu 矩在教室环境下识别率仅 68%。原因有二1Hu 矩对指尖微小抖动极其敏感φ4 波动达 ±15%2它无法区分“6”和“9”镜像关系Hu 矩相同。必须引入第二特征源。def extract_hu_features(binary_img): if binary_img is None: return None # 计算 Hu 矩需先转为 float32 moments cv2.moments(binary_img) if moments[m00] 0: return None hu cv2.HuMoments(moments) # 取对数并取绝对值Hu 矩有正负取 log 后更稳定 features [-np.sign(h)*np.log10(np.abs(h)1e-8) for h in hu.flatten()] return np.array(features, dtypenp.float32) # 示例对归一化轮廓图提取 Hu 特征 # norm_contour extract_normalized_contour(processed_roi) # hu_feat extract_hu_features(norm_contour) # shape: (7,)逻辑说明-np.sign(h)*np.log10(np.abs(h)1e-8)这行是关键技巧。原始 Hu 矩值极小10^-6 ~ 10^-12直接使用会导致 SVM 训练数值不稳定取 log 后量纲统一且符号保留方向信息如 φ5 负值表示左偏正值右偏。1e-8是防零除的后悔药。参数说明此函数输入必须是二值图0/255且最好已归一化64×64。若输入原始 ROI需先cv2.threshold二值化但效果远不如我们前面预处理后的图。3.2 Zernike 矩12 维正交多项式特征专治“6/9 镜像混淆”Zernike 矩在单位圆内定义对图像的旋转、缩放、噪声具有更强鲁棒性且能编码局部纹理如指尖弯曲弧度。OpenCV 不内置但我们用scipy.special.eval_jacobi手写核心教学项目不引入额外 heavy 依赖。实际只需计算前 12 阶n0 到 5m0 到 n已足够区分所有 0–9 手势import numpy as np from scipy.special import eval_jacobi def zernike_moments(img, radius32, degree5): 计算 Zernike 矩简化版仅支持圆形 ROI img: 二值图 (64x64) radius: 单位圆半径取 32对应 64x64 中心 degree: 最高阶数5 足够 if img is None: return None # 创建极坐标网格 y, x np.ogrid[-32:32, -32:32] rho np.sqrt(x**2 y**2) / radius # 归一化到 [0,1] theta np.arctan2(y, x) # 初始化 Zernike 矩数组 moments [] # 遍历所有 (n,m) 组合n0..degree, m-n..n, n-|m| 为偶数 for n in range(degree 1): for m in range(-n, n 1, 2): # 步长为2保证 n-|m| 为偶数 if (n - abs(m)) % 2 ! 0: continue # 计算径向多项式 R_n^|m|(rho) # 使用 Jacobi 多项式近似R_n^m(rho) (1-rho^2)^(|m|/2) * P_{(n-|m|)/2}^(|m|,|m|)(2*rho^2-1) if rho.max() 1.0: r_squared rho ** 2 jacobi_arg 2 * r_squared - 1 # 截断超出 [-1,1] 的值数值误差 jacobi_arg np.clip(jacobi_arg, -1.0, 1.0) radial (1 - r_squared) ** (abs(m) / 2) * eval_jacobi( (n - abs(m)) // 2, abs(m), abs(m), jacobi_arg ) else: radial np.zeros_like(rho) # 角向部分 angular np.cos(m * theta) if m 0 else np.sin(abs(m) * theta) # Zernike 多项式 zernike radial * angular # 与图像相乘积分离散求和 # 只在单位圆内计算rho 1 mask rho 1.0 moment np.sum(img[mask] * zernike[mask]) / np.sum(mask) moments.append(moment) # 添加共轭项m0 时已覆盖此处仅需正 m if m 0: angular_conj np.sin(m * theta) zernike_conj radial * angular_conj moment_conj np.sum(img[mask] * zernike_conj[mask]) / np.sum(mask) moments.append(moment_conj) return np.array(moments[:12], dtypenp.float32) # 截取前12维 # 示例调用 # zernike_feat zernike_moments(norm_contour) # shape: (12,)逻辑说明Zernike 矩的物理意义在于——它把图像分解成一系列“基函数”类似傅里叶每个基函数对应一种空间模式如“圆”“十字”“螺旋”。n0,m0是平均亮度n1,m±1编码水平/垂直梯度n2,m±2编码“X”形对角线——这正是区分“6”和“9”的关键旋转 180° 后m 符号反转矩值变号。我们取前 12 维已覆盖所有数字的典型结构。参数说明radius32严格对应 64×64 图像的半径degree5是经测试的最优解更高阶7带来过拟合更低阶3丢失细节moments[:12]是因完整计算会生成 21 维但前 12 维贡献度 95%且计算更快。3.3 特征融合策略Hu Zernike 19 维向量为何不加 PCA 降维将 Hu 矩7 维与 Zernike 矩12 维拼接得到 19 维特征向量。有人会问为什么不 PCA 降到 10 维答案是教学项目要可解释、可调试、可展示。PCA 后的主成分是数学抽象学生无法理解“第 3 主成分代表什么”也无法针对性调参如发现“6/9”混淆可单独检查 Zernike 的 m2 项。而 19 维在 SVM 训练中毫无压力样本量 1000 时训练 0.5s且各维度物理意义清晰特征类型维度代表含义教学价值Hu 矩 φ4–φ74细长性、对称性、弯曲方向、复杂度可画图展示 φ4 如何随“1”→“0”单调下降其余 Hu 矩 φ1–φ33重心偏移、倾斜度对抖动敏感作为噪声指示器异常时触发重采样Zernike n0–512圆形度、径向梯度、角向谐波含镜像信息“6/9”混淆时直接查 m2 项符号def extract_combined_features(binary_img): hu extract_hu_features(binary_img) zernike zernike_moments(binary_img) if hu is None or zernike is None: return None return np.concatenate([hu, zernike], axis0) # shape: (19,) # 示例完整特征提取链 # roi get_dynamic_roi(frame)[0] # processed preprocess_roi(roi) # norm extract_normalized_contour(processed) # feat extract_combined_features(norm) # (19,)逻辑说明这个 19 维向量就是我们最终喂给分类器的“数字身份证”。它不依赖深度学习不需 GPU纯 NumPy 运算且每一维都能在答辩时指着屏幕说清“这一维是判断您手势是不是‘8’的关键”。参数说明extract_combined_features是整个 pipeline 的终点也是训练数据集的构建入口。后续所有样本采集、标注、训练都基于此函数输出。4. 手势数字识别的避坑指南10 个真实翻车现场与血泪解决方案4.1 现象摄像头画面卡顿、延迟高ROI 框疯狂跳动原因OpenCV 默认使用 V4L2 后端在某些 USB 摄像头尤其是杂牌 1080P上帧率协商失败实际采集帧率 10fps导致动态 ROI 质心计算滞后框体抖动。解决强制指定 MSVCAM 后端Windows或 CAP_DSHOWWindows/ CAP_V4L2Linux并显式设置帧率cap cv2.VideoCapture(0, cv2.CAP_DSHOW) # Windows # cap cv2.VideoCapture(0, cv2.CAP_V4L2) # Linux cap.set(cv2.CAP_PROP_FPS, 30) cap.set(cv2.CAP_PROP_BUFFERSIZE, 1) # 关键禁用缓冲区降低延迟4.2 现象白天识别准关灯后全错“0”全成“6”原因HSV 分割阈值lower_skin[0,48,50]中的V50在暗光下失效手部 V 值降至 30 以下导致皮肤区域大面积丢失ROI 框锁到背景噪点。解决实现光照自适应 V 阈值。在标定阶段按 c 键统计当前画面 HSV 的 V 通道直方图取 10% 分位数作为新V_mindef calibrate_v_threshold(frame): hsv cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) v_channel hsv[:,:,2] v_min np.percentile(v_channel, 10) # 取 10% 分位数鲁棒于少量高光 return max(20, int(v_min)) # 下限 20防过低 # 在主循环中按 c 键触发 # if key ord(c): # V_MIN calibrate_v_threshold(frame) # print(fCalibrated V_min {V_MIN}) # lower_skin[2] V_MIN4.3 现象学生穿黑色/白色衣服手部直接消失原因HSV 分割依赖肤色与背景的色度H差异但黑衣/白衣与肤色的 S/V 值接近导致掩膜大面积误判。解决加入背景减除Background Subtraction辅助。用cv2.createBackgroundSubtractorMOG2学习静态背景与肤色掩膜做 AND 运算bg_subtractor cv2.createBackgroundSubtractorMOG2(detectShadowsFalse) # 在循环中 fg_mask bg_subtractor.apply(frame) # 然后mask cv2.bitwise_and(mask, fg_mask)注意需在开始前静置 2 秒让 MOG2 学习背景且仅适用于背景基本静止的教室场景。4.4 现象训练时 SVM 收敛慢准确率卡在 50%原因特征未归一化Hu 矩量级为 10^0~10^1Zernike 矩为 10^-2~10^-1SVM 对量纲敏感权重分配失衡。解决在训练前对全部 19 维特征做 StandardScaler均值为 0方差为 1from sklearn.preprocessing import StandardScaler scaler StandardScaler() X_train_scaled scaler.fit_transform(X_train) # X_train shape: (N, 19)4.5 现象识别结果在“2”和“3”之间疯狂抖动原因cv2.approxPolyDP的epsilon过大过度简化轮廓使“2”的下弯钩与“3”的上弯钩结构趋同。解决改用自适应 epsilon基于轮廓周长动态计算epsilon 0.0015 * cv2.arcLength(contour, True) # 原为 0.003减半5. 用 SVM 训练与部署从采集 100 张图到实时识别的完整流程5.1 数据采集脚本3 分钟搞定 10 个数字各 10 张图别用手机拍、别导 Excel——写个自动采集脚本按数字键 0–9 触发保存每按一次存一张预处理后的 ROI 图PNG文件名带标签import os import cv2 # 创建数据目录 data_dir gesture_dataset os.makedirs(data_dir, exist_okTrue) for i in range(10): os.makedirs(os.path.join(data_dir, str(i)), exist_okTrue) cap cv2.VideoCapture(0, cv2.CAP_DSHOW) cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) count {str(i): 0 for i in range(10)} print(Press 0-9 to save gesture, q to quit) while True: ret, frame cap.read() if not ret: break roi, _ get_dynamic_roi(frame) if roi is not None: processed preprocess_roi(roi) norm extract_normalized_contour(processed) if norm is not None: cv2.imshow(Capture Preview, norm) key cv2.waitKey(1) 0xFF if key ord(q): break elif chr(key) in count: label chr(key) filename os.path.join(data_dir, label, f{label}_{count[label]:03d}.png) if norm is not None: cv2.imwrite(filename, norm) count[label] 1 print(fSaved {filename}, total {label}: {count[label]}) cap.release() cv2.destroyAllWindows()执行效果学生自己坐摄像头前按 “0” 键 10 次每次微调手势再按 “1” 键 10 次……3 分钟完成 100 张高质量样本。所有图已预处理、归一化直接用于特征提取。5.2 训练脚本19 维特征 SVM5 行代码搞定模型持久化import numpy as np import cv2 import joblib from sklearn.svm import SVC from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split # 1. 加载数据并提取特征 X, y [], [] data_dir gesture_dataset for label in os.listdir(data_dir): label_path os.path.join(data_dir, label) if not os.path.isdir(label_path): continue for img_file in os.listdir(label_path): if not img_file.endswith(.png): continue img cv2.imread(os.path.join(label_path, img_file), cv2.IMREAD_GRAYSCALE) feat extract_combined_features(img) if feat is not None: X.append(feat) y.append(int(label)) X np.array(X) y np.array(y) # 2. 划分训练/测试集特征归一化 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42, stratifyy ) scaler StandardScaler() X_train_scaled scaler.fit_transform(X_train) X_test_scaled scaler.transform(X_test) # 3. 训练 SVMRBF 核C1.0, gammascale 是默认且稳健的选择 clf SVC(kernelrbf, C1.0, gammascale, random_state42) clf.fit(X_train_scaled, y_train) # 4. 评估 acc clf.score(X_test_scaled, y_test) print(fTest Accuracy: {acc:.4f}) # 5. 保存模型与 scaler部署时必需 joblib.dump(clf, gesture_svm_model.pkl) joblib.dump(scaler, gesture_scaler.pkl)关键参数说明C1.0是软间隔惩罚过大10易过拟合训练 100% 但测试 70%过小0.1欠拟合gammascale等价于1/(n_features * X.var())比auto更稳定random_state42保证可复现。实测在 100 样本上准确率稳定在 92%–96%。5.3 实时识别部署把训练好的模型嵌入摄像头循环# 加载训练好的模型和 scaler clf joblib.load(gesture_svm_model.pkl) scaler joblib.load(gesture_scaler.pkl) cap cv2.VideoCapture(0, cv2.CAP_DSHOW) cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) # 用于平滑输出防抖 history [] while True: ret, frame cap.read() if not ret: break roi, _ get_dynamic_roi(frame) if roi is not None: processed preprocess_roi(roi) norm extract_normalized_contour(processed) feat extract_combined_features(norm) if feat is not None: # 归一化 预测 feat_scaled scaler.transform([feat]) pred clf.predict(feat_scaled)[0] prob clf p a hrefhttps://download.csdn.net/download/weixin_55305220/89775137 stylecolor:#ec7500;font-size:14px; 本文还有配套的精品资源点击获取 /a img altmenu-r.4af5f7ec.gif srchttps://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif stylewidth:16px;margin-left:4px;vertical-align:text-bottom;cursor:text; /p
