《博主简介》
小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！
《------往期经典推荐------》
一、AI应用软件开发实战专栏【链接】
| 项目名称 | 项目名称 |
|---|---|
| 1.【人脸识别与管理系统开发】 | 2.【车牌识别与自动收费管理系统开发】 |
| 3.【手势识别系统开发】 | 4.【人脸面部活体检测系统开发】 |
| 5.【图片风格快速迁移软件开发】 | 6.【人脸表表情识别系统】 |
| 7.【YOLOv8多目标识别与自动标注软件开发】 | 8.【基于YOLOv8深度学习的行人跌倒检测系统】 |
| 9.【基于YOLOv8深度学习的PCB板缺陷检测系统】 | 10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】 |
| 11.【基于YOLOv8深度学习的安全帽目标检测系统】 | 12.【基于YOLOv8深度学习的120种犬类检测与识别系统】 |
| 13.【基于YOLOv8深度学习的路面坑洞检测系统】 | 14.【基于YOLOv8深度学习的火焰烟雾检测系统】 |
| 15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】 | 16.【基于YOLOv8深度学习的舰船目标分类检测系统】 |
| 17.【基于YOLOv8深度学习的西红柿成熟度检测系统】 | 18.【基于YOLOv8深度学习的血细胞检测与计数系统】 |
| 19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】 | 20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】 |
| 21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】 | 22.【基于YOLOv8深度学习的路面标志线检测与识别系统】 |
| 23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】 | 24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】 |
| 25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】 | 26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】 |
| 27.【基于YOLOv8深度学习的人脸面部表情识别系统】 | 28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】 |
| 29.【基于YOLOv8深度学习的智能肺炎诊断系统】 | 30.【基于YOLOv8深度学习的葡萄簇目标检测系统】 |
| 31.【基于YOLOv8深度学习的100种中草药智能识别系统】 | 32.【基于YOLOv8深度学习的102种花卉智能识别系统】 |
| 33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】 | 34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】 |
| 35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】 | 36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】 |
| 37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】 | 38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】 |
| 39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】 | 40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】 |
| 41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】 | 42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】 |
| 43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】 | 44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】 |
| 45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】 | 46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】 |
| 47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】 | 48.【车辆检测追踪与流量计数系统】 |
| 49.【行人检测追踪与双向流量计数系统】 |
二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~
《------正文------》
引言
手部关键点检测是计算机视觉领域的一项重要技术，主要用于识别与定位手部在图像或视频中的关键位置点，如指关节和手腕等。通过精确识别这些关键点，我们可以获取到手部的精确姿态和手势信息。
手部关键点检测在许多领域都有着广泛的应用可能性。例如，在人机交互中，通过检测用户的手部关键点和手势，计算机可以实现无触摸的交互界面，这对于虚拟现实（VR）和增强现实（AR）应用尤为重要。此外，在健康医疗领域，可以通过对患者手部的关键点检测，来评估和诊断一些由手部动作异常引发的疾病，如帕金森氏症等。再比如，手部关键点检测也可以用于机器人视觉系统，通过对人手的识别和理解，使得机器人能更好地协作和交互。它还在手语识别、动作捕捉、游戏控制等场景找到了广泛应用。
本文介绍了一个基于OpenCV和cvzone库的实时手部跟踪系统，附全部源码，并对源码内容进行了详细讲解。
实现步骤详解
实现效果
摄像头初始化
import cv2
# 初始化摄像头以捕捉视频
# 通常 '0' 指内置摄像头
cap = cv2.VideoCapture(0)
摄像头初始化：通过cv2.VideoCapture(0)初始化摄像头，通常情况下0代表默认摄像头，但这里设置为2，意味着可能连接了多个摄像头，选择第三个摄像头作为输入源。
手部检测器配置
# 初始化 HandDetector 类并设置参数
detector = HandDetector(staticMode=False, # 非静态模式，持续检测
maxHands=2, # 最多检测两只手
modelComplexity=1, # 手部识别模型复杂度
detectionCon=0.5, # 手部检测的最小置信度
minTrackCon=0.5) # 追踪的最小置信度
创建HandDetector对象，配置参数如最大检测手数、模型复杂度、检测和追踪的最小置信度，这些参数平衡了检测速度和准确性。
实时帧处理循环
实时帧处理循环：程序进入一个无限循环，不断从摄像头读取视频帧。对于每一帧进行：
手部检测：利用findHands方法检测画面中的手部，同时根据配置参数在图像上绘制手部轮廓和关键点。
# 实时从摄像头获取帧
while True:
# 读取每一帧图像
# 'success' 表示是否成功捕获，'img' 存储捕获的图像
success, img = cap.read()
# 在当前帧中寻找手部
# 'draw' 参数决定是否在图像上绘制手部关键点和边界框
# 'flipType' 翻转图像，便于某些检测操作
hands, img = detector.findHands(img, draw=True, flipType=True)
获取关键点并计算手指间距
手指计数：对每只检测到的手，使用fingersUp方法计算并打印出抬起的手指数。
# 计算第一只手抬起的手指数量
fingers1 = detector.fingersUp(hand1)
print(f'H1 = {fingers1.count(1)}', end=" ") # 输出抬起手指的数量
手指间距离计算：计算第一只手的食指和中指指尖之间的距离，并在图像上用特定颜色标出。
# 定位食指和中指指尖
tipOfIndexFinger = lmList1[8][0:2]
tipOfMiddleFinger = lmList1[12][0:2]
# 计算并绘制食指与中指指尖间的距离
length, info, img = detector.findDistance(tipOfIndexFinger, tipOfMiddleFinger, img, color=(255, 0, 255), scale=5)
双手中指距离计算：如果有两只手被检测到，还计算两只手的食指指尖之间的距离，同样在图像上标出。
# 计算第二只手抬起的手指数量
fingers2 = detector.fingersUp(hand2)
print(f'H2 = {fingers2.count(1)}', end=" ")
# 定位第二只手的食指指尖
tipOfIndexFinger2 = lmList2[8][0:2]
# 计算并绘制两只手食指指尖间的距离
length, info, img = detector.findDistance(tipOfIndexFinger, tipOfIndexFinger2, img, color=(255, 0, 0), scale=10)
图像显示
# 显示处理后的图像
cv2.imshow("图像", img)
# 保持窗口打开，等待1毫秒后显示下一帧
cv2.waitKey(1)
使用imshow函数在名为"图像"的窗口中显示处理后的图像。
整个程序的核心在于利用HandDetector类提供的功能来实时检测和分析手部特征。这使得它能够应用于各种应用场景，如手势识别、游戏控制、无障碍交互等。通过实时更新图像并显示手部信息，用户可以直观地看到手部检测和分析的结果。
完成源码
# 导入所需库
from cvzone.HandTrackingModule import HandDetector
import cv2
# 初始化摄像头以捕捉视频
# 通常 '0' 指内置摄像头
cap = cv2.VideoCapture(0)
# 初始化 HandDetector 类并设置参数
detector = HandDetector(staticMode=False, # 非静态模式，持续检测
maxHands=2, # 最多检测两只手
modelComplexity=1, # 手部识别模型复杂度
detectionCon=0.5, # 手部检测的最小置信度
minTrackCon=0.5) # 追踪的最小置信度
# 实时从摄像头获取帧
while True:
# 读取每一帧图像
# 'success' 表示是否成功捕获，'img' 存储捕获的图像
success, img = cap.read()
# 在当前帧中寻找手部
# 'draw' 参数决定是否在图像上绘制手部关键点和边界框
# 'flipType' 翻转图像，便于某些检测操作
hands, img = detector.findHands(img, draw=True, flipType=True)
# 检查是否检测到手
if hands:
# 获取第一只手的信息
hand1 = hands[0] # 第一只手
lmList1 = hand1["lmList"] # 21个关键点坐标列表
bbox1 = hand1["bbox"] # 手部边界框坐标
center1 = hand1['center'] # 手心中心点坐标
handType1 = hand1["type"] # 手型（"Left" 或 "Right"）
# 计算第一只手抬起的手指数量
fingers1 = detector.fingersUp(hand1)
print(f'H1 = {fingers1.count(1)}', end=" ") # 输出抬起手指的数量
# 定位食指和中指指尖
tipOfIndexFinger = lmList1[8][0:2]
tipOfMiddleFinger = lmList1[12][0:2]
# 计算并绘制食指与中指指尖间的距离
length, info, img = detector.findDistance(tipOfIndexFinger, tipOfMiddleFinger, img, color=(255, 0, 255), scale=5)
# 检查是否有第二只手
if len(hands) == 2:
# 获取第二只手的信息
hand2 = hands[1]
lmList2 = hand2["lmList"]
bbox2 = hand2["bbox"]
center2 = hand2['center']
handType2 = hand2["type"]
# 计算第二只手抬起的手指数量
fingers2 = detector.fingersUp(hand2)
print(f'H2 = {fingers2.count(1)}', end=" ")
# 定位第二只手的食指指尖
tipOfIndexFinger2 = lmList2[8][0:2]
# 计算并绘制两只手食指指尖间的距离
length, info, img = detector.findDistance(tipOfIndexFinger, tipOfIndexFinger2, img, color=(255, 0, 0), scale=10)
print() # 打印换行，提高输出可读性
# 显示处理后的图像
cv2.imshow("图像", img)
# 保持窗口打开，等待1毫秒后显示下一帧
cv2.waitKey(1)
好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！
