0、项目介绍
首先，我可以保证在这里，你并不需要多么了解深的机器学习算法，我的初衷是通过本项目，激发大家学习机器学习的动力。选择这种手势原因是因为只有24个字母，你的电脑足以带的动，虽然我只训练A、B、C、D等字母的手势识别，但只要掌握了方法，你可以全部弄完24个字母的手势（我觉得没这必要）。
如果你的思维足够的发散，相信你一定会有其他的好点子。
1、效果展示
2、项目搭建
这个地方依赖的包有些多：{cv2、numpy、cvzone、tensorflow}
tensorflow的下载用pip下载不了，找了很多办法，本人有效解决的是：
pip install --index-url https://pypi.douban.com/simple tensorflow3、代码的展示与讲解
# traing.py
import cv2
import numpy as np
from cvzone.HandTrackingModule import HandDetector
import math
import time
cap=cv2.VideoCapture(0)
detector=HandDetector(maxHands=1)
offset=20
imgSize=300
folder=".21 Americal_ASL/Data/D"
count=0
while True:
ret,img=cap.read()
hands,img=detector.findHands(img)
if hands:
hand = hands[0]
x,y,w,h=hand['bbox']
imgWhite=np.ones((imgSize,imgSize,3),np.uint8)*255
imgCrop = img[y-offset:y+h+offset,x-offset:x+w+offset]
imgCropShape = imgCrop.shape
aspectRatio = h/w
if aspectRatio>1:
k=imgSize/h
wCal=math.ceil(k*w)
imgResize=cv2.resize(imgCrop,(wCal,imgSize))
imgResizeShape=imgResize.shape
wGap=math.ceil((imgSize-wCal)/2)
imgWhite[:,wGap:wGap+wCal]=imgResize
else:
k = imgSize / w
hCal = math.ceil(k * h)
imgResize = cv2.resize(imgCrop, (imgSize,hCal))
imgResizeShape = imgResize.shape
hGap = math.ceil((imgSize - hCal) / 2)
imgWhite[hGap:hGap + hCal,:] = imgResize
cv2.imshow("ImageCrop",imgCrop)
cv2.imshow("imageWhite",imgWhite)
cv2.imshow("Image",img)
k=cv2.waitKey(1)
if k==ord('s'):
count+=1
cv2.imwrite(f"{folder}/Image_{time.time()}.jpg",imgWhite)
print(count)
elif k==27:
break
首先，在这里先运行这个文件，它会出现下面这样的窗口：
接下来，就按照美国ASL手势，对数据进行收集，你只需要在成功识别后，不断的点击键盘"s"键，对图片进行保存，一定要记住修改保存的文件位置，也就是变量folder，我收集的数量大概在300张左右，多一点少一些也无所谓，识别的效果还是相当不错的。
Teachable Machine 是一个基于 Web 的工具，为每个人创造快速、简明、易用的机器学习模型。
进入这个网站Teachable Machine，将文件{A、B、C、D}拖进去，可能需要一点时间，耐心等等就行，获得了keras_model.h5和labels.txt文件，我在得到labels.txt文件时，出现了点问题，不过你也可以手动添加一下，毕竟不是很多。
0 A 1
1 B 2
2 C 3
3 D 4
这个网站需要"KX"上网，当时做完没有保存图片，现在流量也已经用完了，所以这个地方大家就自己琢磨一下吧。
# test.py
import cv2
import numpy as np
from cvzone.HandTrackingModule import HandDetector
import math
from cvzone.ClassificationModule import Classifier
cap=cv2.VideoCapture(0)
detector=HandDetector(maxHands=1)
classifier=Classifier("E:\pythonProject1\Opencv project training//21 Americal_ASL\Model\keras_model.h5",
"E:\pythonProject1\Opencv project training//21 Americal_ASL\Model\labels.txt")
offset=20
imgSize=300
# folder=".21 Americal_ASL/Data/D"
count=0
labels = ['A','B','C','D']
while True:
ret,img=cap.read()
imgOutput = img.copy()
hands,img=detector.findHands(img)
if hands:
hand = hands[0]
x,y,w,h=hand['bbox']
imgWhite=np.ones((imgSize,imgSize,3),np.uint8)*255
imgCrop = img[y-offset:y+h+offset,x-offset:x+w+offset]
imgCropShape = imgCrop.shape
aspectRatio = h/w
if aspectRatio>1:
k=imgSize/h
wCal=math.ceil(k*w)
imgResize=cv2.resize(imgCrop,(wCal,imgSize))
imgResizeShape=imgResize.shape
wGap=math.ceil((imgSize-wCal)/2)
imgWhite[:,wGap:wGap+wCal]=imgResize
prediction, index = classifier.getPrediction(imgWhite,draw=False)
print(prediction,index)
else:
k = imgSize / w
hCal = math.ceil(k * h)
imgResize = cv2.resize(imgCrop, (imgSize,hCal))
imgResizeShape = imgResize.shape
hGap = math.ceil((imgSize - hCal) / 2)
imgWhite[hGap:hGap + hCal,:] = imgResize
prediction, index = classifier.getPrediction(imgWhite, draw=False)
cv2.rectangle(imgOutput, (x - offset, y - 50),
(x - offset+120, y - offset), (255, 0, 255), cv2.FILLED)
cv2.putText(imgOutput,labels[index],(x+12,y-27),cv2.FONT_HERSHEY_COMPLEX,1.8,(255,255,255),2)
cv2.rectangle(imgOutput,(x-offset,y-offset),
(x+w+offset,y+h+offset),(255,0,255),4)
cv2.imshow("ImageCrop",imgCrop)
cv2.imshow("imageWhite",imgWhite)
cv2.imshow("Image",imgOutput)
k=cv2.waitKey(1)
if k==27:
break这是用于测试的代码，运行之后，就可以展现我们本项目的效果了。
4、项目资源
GitHub:21 美国ASL手势识别
5、项目总结
顺利完成，因为这个是很早之前做的，一直没空写，而且因为之前python环境出现了问题，重新装了一次，下载的那些包都没了，有很多空缺，这几天装Tensorflow，也是把我搞得心态爆炸，但基础的效果总算是可以展现了。虽然teachable machine可能你进不去，但如果你只是抱着学习的态度，那么在GitHub里面我也提供了我做的A、B、C、D的文件。
