计算机视觉（opencv）——基于 MediaPipe 的手势识别系统 - 实践

---

基于 MediaPipe 与 OpenCV 的手势识别系统实现详解

在计算机视觉和人机交互领域，手势识别是一项非常重要的技术。它使得计算机能够通过摄像头识别人类手部动作，从而实现自然交互。例如，虚拟鼠标控制、手势命令控制、游戏互动等，都依赖于精准的手势检测与识别。
本文将通过 Python + OpenCV + MediaPipe 的方式，详细讲解一个能够实时识别手势（0~10）的系统实现原理与代码结构。

---

一、系统原理概述

手势识别的核心在于：

1. 检测手部关键点（如手指、掌心、手腕等位置）；

2. 通过关键点之间的距离关系判断手指是否伸展或弯曲；

3. 根据手指伸展数量映射为具体的数字或手势。

Google 的 MediaPipe 提供了高精度的手部检测与关键点跟踪模型，可实时返回 21 个关键点坐标。我们可以基于这些坐标信息，计算手指弯曲程度，从而判断出用户展示的手势。

---

二、所需库与环境

本项目需要以下 Python 库：

pip install opencv-python mediapipe

• OpenCV：用于图像采集与显示；

• MediaPipe：用于手部检测与关键点识别；

• NumPy：用于数学计算（本例中可选）。

---

三、完整代码实现

import cv2
import mediapipe as mp
# 手势标签定义（0~10）
gesture = ["none", "one", "two", "three", "four", "five",
           "six", "seven", "eight", "nine", "ten"]
flag = 0
# 初始化 MediaPipe 模块
mp_drawing = mp.solutions.drawing_utils
mp_hands = mp.solutions.hands
# 手部检测器配置
hands = mp_hands.Hands(
    static_image_mode=False,          # 视频流模式
    max_num_hands=2,                  # 最多检测两只手
    min_detection_confidence=0.75,    # 检测置信度阈值
    min_tracking_confidence=0.75)     # 跟踪置信度阈值
# 打开摄像头
cap = cv2.VideoCapture(0)
while True:
    flag = 0
    ret, frame = cap.read()
    frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
    frame = cv2.flip(frame, 1)  # 镜像翻转
    results = hands.process(frame)
    frame = cv2.cvtColor(frame, cv2.COLOR_RGB2BGR)
    # 如果检测到手部
    if results.multi_hand_landmarks:
        for hand_landmarks in results.multi_hand_landmarks:
            # 取若干关键点的坐标
            p0_x = hand_landmarks.landmark[0].x
            p0_y = hand_landmarks.landmark[0].y
            p5_x = hand_landmarks.landmark[5].x
            p5_y = hand_landmarks.landmark[5].y
            # 基准距离（大拇指根部到掌心距离）
            distance_0_5 = pow(p0_x - p5_x, 2) + pow(p0_y - p5_y, 2)
            base = distance_0_5 / 0.6
            # 获取其他指尖关键点
            p4_x, p4_y = hand_landmarks.landmark[4].x, hand_landmarks.landmark[4].y
            p8_x, p8_y = hand_landmarks.landmark[8].x, hand_landmarks.landmark[8].y
            p12_x, p12_y = hand_landmarks.landmark[12].x, hand_landmarks.landmark[12].y
            p16_x, p16_y = hand_landmarks.landmark[16].x, hand_landmarks.landmark[16].y
            p20_x, p20_y = hand_landmarks.landmark[20].x, hand_landmarks.landmark[20].y
            # 计算各指尖到手腕的平方距离
            distance_5_4 = pow(p5_x - p4_x, 2) + pow(p5_y - p4_y, 2)
            distance_0_8 = pow(p0_x - p8_x, 2) + pow(p0_y - p8_y, 2)
            distance_0_12 = pow(p0_x - p12_x, 2) + pow(p0_y - p12_y, 2)
            distance_0_16 = pow(p0_x - p16_x, 2) + pow(p0_y - p16_y, 2)
            distance_0_20 = pow(p0_x - p20_x, 2) + pow(p0_y - p20_y, 2)
            # 判断手指是否伸直
            if distance_0_8 > base: flag += 1   # 食指
            if distance_0_12 > base: flag += 1  # 中指
            if distance_0_16 > base: flag += 1  # 无名指
            if distance_0_20 > base: flag += 1  # 小指
            if distance_5_4 > base * 0.3: flag += 1  # 拇指
            if flag >= 10: flag = 10
            # 绘制关键点
            mp_drawing.draw_landmarks(frame, hand_landmarks, mp_hands.HAND_CONNECTIONS)
    # 显示识别结果
    cv2.putText(frame, gesture[flag], (50, 50), 0, 1.3, (0, 0, 255), 3)
    cv2.imshow('MediaPipe Hands', frame)
    # 按 ESC 退出
    if cv2.waitKey(1) & 0xFF == 27:
        break
cap.release()
cv2.destroyAllWindows()

---

四、算法逻辑详解

该程序的核心逻辑可以分为以下几个步骤：

1. 摄像头帧采集

使用 cv2.VideoCapture(0) 读取实时视频流，并进行逐帧处理。

2. 手部检测与关键点提取

通过 hands.process(frame)，MediaPipe 会自动检测手部位置，并返回 21 个关键点坐标。
这些关键点在手部不同部位，如：

编号	名称（英文）	中文说明	所属手指
0	WRIST	手腕（连接手臂）	——
1	THUMB_CMC	拇指掌骨基部	拇指
2	THUMB_MCP	拇指第一关节（掌指关节）	拇指
3	THUMB_IP	拇指第二关节（指间关节）	拇指
4	THUMB_TIP	拇指指尖	拇指
5	INDEX_FINGER_MCP	食指根部（掌指关节）	食指
6	INDEX_FINGER_PIP	食指中部关节	食指
7	INDEX_FINGER_DIP	食指末端关节	食指
8	INDEX_FINGER_TIP	食指指尖	食指
9	MIDDLE_FINGER_MCP	中指根部	中指
10	MIDDLE_FINGER_PIP	中指中部关节	中指
11	MIDDLE_FINGER_DIP	中指末端关节	中指
12	MIDDLE_FINGER_TIP	中指指尖	中指
13	RING_FINGER_MCP	无名指根部	无名指
14	RING_FINGER_PIP	无名指中部关节	无名指
15	RING_FINGER_DIP	无名指末端关节	无名指
16	RING_FINGER_TIP	无名指指尖	无名指
17	PINKY_MCP	小指根部	小指
18	PINKY_PIP	小指中部关节	小指
19	PINKY_DIP	小指末端关节	小指
20	PINKY_TIP	小指指尖	小指

3. 距离计算与手势判断

通过比较各指尖与手腕（或掌根）的相对距离，判断该手指是否伸直。
例如：

• 若 distance_0_8 > base，说明食指伸直；

• 若 distance_0_12 > base，说明中指伸直；

• 若四根手指均满足条件，且拇指距离也大，则识别为“5”。

4. 手势编号与映射

程序维护一个手势数组：

gesture = ["none", "one", "two", "three", "four", "five", "six",
           "seven", "eight", "nine", "ten"]

根据检测到的手指数量 flag，直接映射为相应的手势名称。

---

五、效果展示与扩展

运行程序后，摄像头窗口会实时显示手部关键点与骨架线。当你伸出不同数量的手指时，左上角的文本会显示相应的数字（如 “three”、“five” 等）。

示例效果：

手势	识别结果	描述
✊	none	全部弯曲
☝️	one	伸出食指
✌️	two	食指+中指
	five	全部伸展

---

六、改进与优化方向

1. 引入深度信息：
   当前算法仅基于二维坐标，容易受角度影响。可利用深度相机或双目视觉增强鲁棒性。

2. 增加动态手势识别：
   结合时间序列（如 LSTM 网络）可识别挥手、比划等动作。

3. 加入多手识别与左右手分类：
   通过 results.multi_handedness 可判断是左手还是右手，扩展为更复杂的交互。

4. 与应用系统结合：
   例如将手势映射为鼠标点击、音量调节、虚拟键盘输入等功能。

---

七、总结

本文展示了一个基于 MediaPipe + OpenCV 的实时手势识别系统。
通过检测手部 21 个关键点并计算距离关系，我们能够识别从“0”到“10”的静态手势。
该系统具有 实时性强、部署简单、可扩展性高 的优点，非常适合作为入门级手势识别项目或交互式系统原型。

未来可以结合深度学习模型（如 CNN + LSTM）实现更复杂的手势分类与动作识别，推动自然人机交互的发展。