手势识别，只需要OPENCV，采用YOLO4T和MOBILENET分类

本文提出了一种使用OPENBCI收集两个手势数据并解码信号以区分手势的实验。 用受试者前臂上的三个电极提取信号，并在一个通道中传输。 利用巴特沃斯带通滤波器后，我们选择了一种新颖的方法来检测手势动作段。 代替使用基于能量计算的移动平均算法，我们开发了一种基于Hilbert变换的算法来找到动态阈值并识别动作段。 从每个活动部分提取了四个特征，生成了用于分类的特征向量。 在分类过程中，我们基于相对较少的样本对K最近邻（KNN）和支持向量机（SVM）进行了比较。 最常见的实验是基于大量数据来追求高度拟合的模型。 但是在某些情况下，我们无法获得足够的训练数据，因此必须探索在小样本数据下进行最佳分类的最佳方法。 尽管KNN以其简单性和实用性而闻名，但它是一种相对耗时的方法。 另一方面，由于支持向量机应用了不同的风险最小化原则，因此在时间要求和识别准确性方面具有更好的性能。 实验结果表明，SVM算法的平均识别率比KNN高1.25％，而SVM比KNN短2.031 s。

通过Android上的Mediapipe进行手势识别 看到这些是使用Android档案（AAR）和Gradle，手势识别的想法来自于 ， 如果有帮助，请给我个星星。

基于opencv的手势识别系统

内容概要：通过简单手势识别，带着读者做一遍软件安装、数据集采集、图像处理、神经网络训练、网络的测试、综合应用的过程中，了解图像处理、卷积神经网络的核心原理。在手写手势识别源码的过程中会梳理过流程的核心逻辑，简化代码实现过程，保留核心功能，例如：图像减采样、阈值分割、平滑滤波、边缘提取等内容实现。 适合人群：具备一定图像处理、深度学习基础 能学到什么：①如何在MATLAB上利用笔记本自带的摄像头进行图像采集；②图像减采样、阈值分割、平滑滤波、边缘提取都是如何设计和实现的；③卷积神经网络是如何设计、训练以及应用的。 阅读建议：此资源以开发简单手势识别学习图像处理和卷积神经网络的原理和内核，不仅是代码编写实现也更考验读者的代码调试能力，所以在学习的过程要结合这些内容一起来实践，并调试对应的代码。

内容概要：通过简单手势识别，带着读者做一遍软件安装、数据集采集、图像处理、神经网络训练、网络的测试、综合应用的过程中，了解图像处理、卷积神经网络的核心原理。在手写手势识别源码的过程中会梳理过流程的核心逻辑，简化代码实现过程，保留核心功能，例如：图像减采样、阈值分割、平滑滤波、边缘提取等内容实现。 适合人群：具备一定图像处理、深度学习基础 能学到什么：①如何在MATLAB上利用笔记本自带的摄像头进行图像采集；②图像减采样、阈值分割、平滑滤波、边缘提取都是如何设计和实现的；③卷积神经网络是如何设计、训练以及应用的。 阅读建议：此资源以开发简单手势识别学习图像处理和卷积神经网络的原理和内核，不仅是代码编写实现也更考验读者的代码调试能力，所以在学习的过程要结合这些内容一起来实践，并调试对应的代码。

近年来，产品发展的智能化，现在很多产品都在往智能化发展。基于语音识别和图像识别，也是近年来两大热门话题。先前的电视遥控，一般都是红外遥控。随着智能手机，智能家居走入千家万户，红外遥控已经远远不适应智能化发展的需要。现在为了实现智能化，更好地和手机、电视、云端联系，现电视遥控慢慢由红外转为蓝牙BLE，这能更好地实现智能互联。基于目前的发展，ST推出了BLE(BlueRNG-1) +MEMS microphone(M34DT05)语音识别和传输方案，可以用于语音遥控器等方案。 核心技术优势1. MP34DT05取得8kHz 或16 kHz的目标音频采样，输出PDM波形到蓝牙主控芯片处理。 2. Bluenrg-132经过对PDM信号调制处理，得出语音数据流，再经蓝牙发送给电视。 3. 电视运行Android系统，联接互联网，程序跑科大讯飞或百度云语音软件，进行语音解析，然后对电视进行操作控制。 4. 还可以通过LSM6DSL软件扩展开发进行手势识别控制。 方案规格1、 Bluenrg-132软件开发包自带有语音编码库。 2、 MP34DT05直接PDM输出到Bluenrg-132。 3、 外加LSM6DSL(重力加陀螺)6轴传感器，可以比较容易进行动作识别。 方案来源于大大通。

Manomotion中两个手势交互SDK，以及作者使用这两个SDK在Untiy环境中搭建好了项目导出的安卓apk文件，下载到手机中可直接运行

交通标志识别 基于matlab的 识别交通手势

标注的1300张数据集，以及训练好的模型，制作不易，欢迎下载