本项目用传统cv算法和卷积神经网络实现手势识别.zip

# 手势数字0~5的识别 本项目用传统cv算法和卷积神经网络实现手势识别 ## 可执行程序 可执行程序基于传统cv算法，打开ui.exe，选择摄像头，打开摄像头，在画面矩形框内影像稳定时点开始识别，将手放入矩形框画面内，下方显示识别结果。由于TensorFlow打包占用空间太大，所以没有基于卷积神经网络的可执行程序。 ## 演示视频 演示视频包括传统方法的演示和神经网络的演示。 ## 代码 ### 传统cv方法 在 代码/traditional文件夹内 - config.py: 存放一些配置变量的值 - extract_hand_pic.py: 从静态图片中提取手部形状 - extract_hand_video: 从视频流中提取手部形状 - hand_number.py: 从提取出来的手部形状中识别出手势 - main.py: 静态图片手势识别的主逻辑 - ui.py: 用户界面程序 ### 基于卷积神经网络的方法 在 代码/deeplearning文件夹内，基于项目： https://github.com/SparshaSaha/Hand-Gesture-Recognition-Using-Background-Elllimination-and-Convolution-Neural-Network #### 收集数据 执行PalmTracker.py文件收集训练和测试数据，数据保存在Dataset内（为减小体量，已删除数据） #### 训练 执行ModelTrainer.ipynb进行训练，训练后的参数保存在TrainedModel文件夹内 #### 预测 执行ContinuousGesturePredictor.py进行预测，摄像头打开后等待1s，点s开始预测，然后将手放入画面矩形框内。 ### 环境 - tensorflow 1.12.0 - python 3.5.2 - Cuda compilation tools, release 10.1, V10.1.105 - cudnn 6 ### 训练参数 - **FC_LR = 1e-4** (learning rate of fully-connected parameters) - **NET_LR = 1e-4** (learning rate of other parameters) - **BATCH_SIZE = 64** (training batch size) - **OPTIMIZER = 'adam'** (optimizer choice, adam or sgd) - **WEIGHT_DECAY = 1e-4** (weight decay, applied only when using SGD) - **MOMENTUM = 0.9** (momentum, applied only when using SGD) - **DECAY_RATE = 0.1** (decay rate of learning rate every 10 epoches)