很多应用需要在不接触实际物体的情况下，感测物体的存在或距离。这种接近感应需求催生了众多竞争性解决方案，包括光学飞行时间 (ToF) 传感器。虽然这些传感器非常精确，但其成本一直非常昂贵，并且实施复杂；不过最近的解决方案已经显著简化了此类技术的使用。

手势识别

使用NVIDIA预训练模型和Transfer Learning Toolkit 3.0与机器人创建基于手势的交互 在这个项目中，我们演示如何训练您自己的手势识别深度学习管道。 我们从预先训练的检测模型开始，使用Transfer Learning Toolkit 3.0将其重新用于手部检测，然后将其与专用手势识别模型一起使用。 经过培训后，我们将在NVIDIA:registered:Jetson:trade_mark:上部署此模型。 可以将这种手势识别应用程序部署在机器人上以理解人类手势并与人类进行交互。 该演示可以作为点播网络研讨会提供： : 第1部分。训练对象检测网络 1.环境设置 先决条件 Ubuntu 18.04 LTS python> = 3.6.9 = 19.03.5 docker-API 1.40 nvidia-container-toolkit> = 1.3.0-1

本项目主要研究并介绍了基于肤色以及几何处理的手指检测、手势跟踪，并提供了完整的可执行程序。其使用的语言为C++，VS版本为2015.

基于树莓派的深度学习网络手势识别系统.pdf

Hausdorff距离在手势识别中的运用,Hausdorff距离在手势识别中的运用

matlab肌电信号处理代码我们为基于肌电图（EMG）的手势识别提供了超维（HD）计算的Matlab实现。 我们将其有效性（识别精度，学习速度，鲁棒性等）与多类支持向量机（SVM）作为EMG分类的最新方法进行了比较。 该程序被许可为GNU GPLv3。 这些文件的组织如下。 “ ICRC.m”：用于EMG信号的高清编码/解码的所有功能 “ generatePaperFigures.m”：生成纸张中使用的图形（5、7、8、9、10） “ dataset.mat”：5个主题的EMG完整数据集 “ svmtrain.mexa64”：LIBSVM v3.21中的SVM训练功能（可在中找到支持向量机的库） “ svmpredict.mexa64”：SVM也可以从LIBSVM v3.21预测功能 “ errorbar_groups.m”：带有错误条的分组条形图，可在Matlab fileexchange / 29702中获得。 “ binaryCode.m”：我们还提供了另一个版本的EMG编码器，该编码器使用了二进制种子超向量，而不是本文中使用的双极性代码。 可以使用此MATLAB文件代替“ IC

请参考本文：https://www.jianshu.com/p/229e67242fed

自己一周空闲时间实现的代码，csdn关于leapmotion的教程太少了，才了好多的坑

python qt 人脸识别，登录，手势识别包括可编辑ui文件