本文描绘了惠普Touchpad Gesture触摸板多点触控技术的概念，并详解了其设置及基本应用，同时就常见的一些疑问进行了解答。

利用GestureDetector关闭activity 手势向右滑动关闭当前activity

视频图matlab代码动态3D手势识别 使用多级时间采样，加权深度运动图和VLAD编码的手势识别系统 运行代码 将vlfeat-0.9.20.zip文件解压缩到vl_feat目录。 在matlab上运行“ Main_MSRAction3D.m”文件。 “ Main_MSRAction3D.m”具有三个标志：0仅用于特征提取，1仅用于分类，2用于特征提取和分类。 运行Step1_Extract_Features以提取火车和测试视频中的特征，它将提取的特征保存在mat文件中。 运行Step2_Description and Classification将加载在Step1中生成的Mat文件，以进行Vlad描述和分类。 @ 参考 （VL专长库）： （MSR动作3D数据集）：

网上没找GestureImageView的jar包，自己打了一个。

IMUCalibration-Gesture calibration for Imu and show gesture 0.相关博客: 1.读入数据 load('caldata.mat') 2.运行校正算法 [Ta,Ka,Ba,Tg,Kg,Bg,Tm2a,Bm,Vm,mag_strength]=ImuCalibration_Gesture(cal_data) 3.校正部分 加速度、角速度 conference A Robust and Easy to implement method for imu calibration without External Equipments 磁力计 算法mag2acc_matrix假设重力与磁向量的夹角不变，算法Cal_mag4acc_frame利用不同姿态下传感器感受的磁通向量的变化与姿态变化的相关性，计算参数。 4.参数部分 cal_acc=Ta

折线图，支持放大缩小，横向定位放大,增加长按功能

手势识别 使用Flex和IMU传感器进行深度学习的手势识别

沟通是聋哑社区和社会其他成员之间的障碍。 手语用于在这些不会说话和听不懂的人之间进行交流。 在过去的几年中，手语识别的自动化已引起研究人员的关注。 已经开发了许多复杂且昂贵的硬件系统来辅助该目的。 但是，我们建议使用深度学习方法进行自动手语识别。 我们设计了一种基于ResNet50的新型2级深度神经网络体系结构来对拼写单词进行分类。 使用的数据集是标准的[1]的美国手语手势数据集。 首先使用各种扩充技术来扩充数据集。 在基于2级ResNet50的方法中，1级模型将输入图像分类为4组之一。 在将图像分类为一组图像之后，将其提供为相应的第二级模型的输入，以用于预测图像的实际类别。 我们的方法在12,048张测试图像上产生了99.03％的精度。

英国威廉希尔SparkFun APDS-9960 RGB和手势传感器 这是SparkFun RGB和手势传感器，这是一个小型突破板，带有内置APDS-9960传感器，可提供环境光和颜色测量，接近检测和非接触式手势感应。 借助此RGB和手势传感器，您只需轻轻滑动即可控制计算机，微控制器，机器人等！ 储存库内容 /硬件-Eagle设计文件（.brd，.sch） /库-与SparkFun APDS9960 RGB和手势传感器一起使用的库 /生产-生产面板文件（.brd） 文献资料 -传感器的基本连接指南。 -用于SparkFun_APDS9960 RGB和手势传感器的Arduino库。 -SparkFun产品的Fritzing图表。 -SparkFun产品的3D模型。 产品版本 -APDS-9960 RGB和手势传感器 版本记录 修复库名称错误。 修复了库文件和硬件文件中的次要输入

实时手势识别 通过网络摄像头检测手部和头部运动手势并显示相应的左/右箭头以显示运动方向。 步骤：Haar Cascade Classifier 检测人脸。 HSV 颜色空间中的皮肤颜色过滤器以识别皮肤区域。 轮廓分割，利用矩计算轮廓的质心，并根据质心的变化方向显示相应的方向。 在 Python 中使用 OpenCV。