APDS-9960手势感应模块技术手册，可检测手势的向上下左右前后的运动。

本课程主要向大家讲解如何基于YOLO网络的精简版本tiny-yolo训练手势识别模型，从图片数据采集，图片标注，网络参数修改，模型训练，模型测试等，项目中用到的标注好的数据集和训练好的模型向购买课程的同学免费提供。 本人后续还会推出将手势识别模型，安全帽识别模型，openpose人体姿态识别模型等目标检测识别模型移植到华为海思3516DV300系列低成本的嵌入式板子上的相关课程，加速人工智能的落地应用，请感兴趣的同学关注后续课程，想合作或有什么问题也可以在csdn上给我发私信。

Android基于卷积神经网络的数字手势识别安卓APP，识别数字手势0-10 Android studio编译，项目有源码和apk，参考链接：https://blog.csdn.net/babyai996/article/details/121196044

基于深度学习的手势识别工具，实现了手势图片、手势视频、摄像头手势实时检测功能

用笔记本电脑摄像头进行1，2，3，4，5个手势的识别，不同手势可以控制鼠标的移动，单击，双击，右键等操作，与电脑进行打开文件夹，移动，删除文件等操作。（本科毕业设计，被评为优秀毕设）

unitypackage文件 用于触摸或鼠标输入的手势识别器。它可以识别玩家绘制的图画。

手势识别数据集，包含图片和视频两种数据集，其中训练集有剪刀石头布各840张、测试集剪刀石头布各124张，两个MP4格式手势识别视频，一种简单背景下的，一种复杂背景下的。

手势识别 使用keras进行手势识别

基于opencv库的收拾识别代码，可以参考

matlab删除红眼代码使用 Raspberry PI 构建 HandGestureRecognition 神经网络推理模型。 从视频流中实时识别动态手势是一项具有挑战性的任务，因为 (i) 在视频中没有手势开始和结束的指示，(ii) 执行的手势应该只识别一次，以及 (iii) 整个架构的设计应考虑内存和功率预算。 在这项工作中，我们通过提出一种分层结构来解决这些挑战，该结构使离线工作的卷积神经网络 (CNN) 架构能够通过使用滑动窗口方法有效地在线运行。 所提出的架构由两个模型组成：（1）检测器，它是一个轻量级的 CNN 架构，用于检测手势；（2）一个分类器，它是一个深度 CNN，用于对检测到的手势进行分类。 为了评估检测到的手势的单次激活，我们建议使用 Levenshtein 距离作为评估指标，因为它可以同时测量误分类、多次检测和缺失检测。 我们在两个公开可用的数据集上评估我们的架构 - EgoGesture 和 NVIDIA 动态手势数据集 - 这需要对执行的手势进行时间检测和分类。 用作分类器的 ResNeXt-101 模型在 EgoGesture 和 NVIDIA 基准测试中