基于opencv的动态手势识别
基于MediaPipe和OpenCV的数字手势识别研究
基于MediaPipe和OpenCV的数字手势识别研究摘要：本文提出了一种基于MediaPipe和OpenCV的快速数字手势识别方法，其手势检测、动作跟踪、Socket服务器端和客户端通讯在企业工程化应用方面具有一定的实用参考价值，为嘈杂环境信息交互、固定数据快速录入和复杂界面切换等场景提供解决方案。
关键词：MediaPipe；手势跟踪；OpenCV；数字识别；人机交互0 引言手势主要由手部动作组成，作为人类社会理解和表达的一部分，不同于与键盘和鼠标之间的交互，手势检测中对人们使用计算机中和网络来说更容易、更高效。
本文基于Mediapipe框架，利用OpenCV视觉库实现了一种数字手势识别的方法，能有效识别约定的手势，且响应速度较快，识别准确率较高，具有较高的实用价值。
1 MediaPipe 介绍Mediapipe手势识别的部分都是使用内部Bazel 工具构建的。
用户可以免费使用这个跨平台构建工具。
同时，Mediapipe 利用Machine Learning 机器学习技术从一帧中推断出手部21 个3D 地标，实时性能较高，还可以针对多手识别的情况进行处理。
图1 手部关键点坐标2 手势识别预处理2.1图像的获取本文所要实现的是实时的手势识别，所以对于初始的图像是由视频中的帧图像提供的，利用VideoCapture 来访问计算机的摄像头，如若访问失败，便会输出摄像头打开失败的信息，并停止程序。
当摄像头成功打开，继续执行程序，将摄像头获取的图片帧储存到frame中，如若后续过程中摄像头没有接收到图片，便输出没有获取图片并跳出获取图片帧的循环。
2.2手势轮廓提取为了后续的图像分割处理，首先将图片转换为HSV 空间，再将其中的H通道图片分离出来单独处理。
使用OpenCV函数库中的cvtColor 函数。
Split函数的作用是通道分离，将图像分离为H、S、V 三个通道并存入channels［0］、channels［1］、channels［2］中。
mediapipe手势识别原理
mediapipe手势识别原理
MediaPipe是Google推出的一款机器学习开发框架，主要用于视频和音频处理领域。
其中，MediaPipe手势识别模块是一项重要的功能。
它基于机器学习算法和计算机视觉技术，实现了对手势动作的高效识别和分析。
下面，我们来详细介绍MediaPipe手势识别原理。
首先，MediaPipe手势识别基于深度学习算法，利用神经网络对手部关键点进行预测和定位。
在初步处理阶段，MediaPipe手势识别会使用深度学习算法预测用户手部的21个关键点，包括手指尖端、手腕等关键位置。
它利用图像和视频输入数据，并结合算法进行对比和分析，确定自然手势的类别和意图，并输出对应的动作。
其次，MediaPipe手势识别还将机器学习算法和计算机视觉技术相结合，进行特征提取和分类，实现对手势动作的分类识别。
在预测阶段，MediaPipe手势识别将根据分类模型进行精细的特征提取和计算，以准确地区分不同手势类型，从而实现高准确度的手势动作识别。
最后，通过集成多种优秀机器学习算法和计算机视觉技术，MediaPipe手势识别可以实现较高的速度和准确度。
此外，它还可以适应各种手势动作环境和不同使用场景，如直播、游戏和虚拟现实等。
因此，MediaPipe手势识别模块在许多领域都有着广泛的应用前景，特别是在智能终端设备和人机交互领域。
opencv手眼标定方法
opencv手眼标定方法
OpenCV中的手眼标定方法是用于估计相机与机器人末端执行器之间的相对姿势关系。
这个问题可以从理论和实际操作两个方面来回答。
从理论上讲，手眼标定是通过使用已知的相机和机器人末端执行器的位姿数据，来估计它们之间的变换关系。
这个变换关系可以用一个4x4的齐次变换矩阵表示，通常称为T矩阵。
在OpenCV中，可以使用solvePnP函数来解决这个问题，该函数可以通过已知的
3D空间点和它们在图像中的对应点来估计相机的位姿。
另外，还可以使用calibrateHandEye函数来估计相机和机器人末端执行器之间的变换关系。
从实际操作上讲，手眼标定通常需要以下步骤：
1. 收集数据，首先需要收集相机和机器人末端执行器的位姿数据。
这可以通过移动相机和机器人末端执行器，并记录它们的位姿数据来实现。
2. 数据处理，收集到的位姿数据需要进行处理，以便用于手眼
标定。
这可能涉及到坐标系的转换和数据格式的整理。
3. 手眼标定，使用OpenCV中的函数，如solvePnP和calibrateHandEye来进行手眼标定，估计相机和机器人末端执行器之间的变换关系。
4. 评估结果，完成标定后，需要对结果进行评估，通常是通过重投影误差等指标来评估标定的质量。
总的来说，手眼标定是一个重要的问题，它在机器人视觉和自动化领域有着广泛的应用。
在OpenCV中，有一些函数可以帮助我们实现手眼标定，但在实际操作中需要注意数据的采集和处理，以及对标定结果的评估。
希望这个回答能够帮助你更好地理解OpenCV中的手眼标定方法。
基于深度学习技术的手语识别系统设计与实现
基于深度学习技术的手语识别系统设计与实现第一章：引言手语是一种重要的沟通方式，它可以帮助聋哑人士进行交流。
然而，由于手语的复杂性和多样性，手语的学习和理解一直是困难的问题。
近年来，深度学习技术在许多领域都取得了重要的突破，包括图像识别、语音识别等。
因此，利用深度学习技术来实现手语识别系统，是一种非常有前途的研究方向。
本文主要介绍了基于深度学习技术的手语识别系统的设计和实现。
第二章：相关工作手语识别是一个较为复杂的任务，需要考虑不同的手势种类、手势的姿态变化、手势的速度等因素。
传统的手语识别方法一般采用特征提取和分类器设计的方法。
其中，特征提取是手语识别的关键之一，主要是通过对手势图像的描述提取出有用的特征，如 LBP、HOG 等。
分类器设计则是根据提取的特征构建分类器，分类器的设计包括 KNN、SVM、决策树等。
虽然这些传统方法已经取得了不错的效果，但是在面对更为复杂的情况时，如光线变化、抖动等，其效果并不理想。
近年来，深度学习技术在图像识别、语音识别等领域取得了重要的突破，许多研究者开始探索深度学习在手语识别中的应用。
目前，应用较广泛的深度学习模型有 CNN、LSTM、GRU、深度神经网络等。
第三章：基于深度学习技术的手语识别系统设计本系统的设计分为三个步骤：第一步：数据采集和处理手语识别系统的训练需要大量的手语图像和其对应的标签。
本系统采用的是美国手语字母表，共计 26 个字母。
数据采集使用的是普通 RGB 摄像头，将手语动作拍摄下来，保存成图像格式。
数据预处理包括图像大小调整、灰度化等，使得图像能够更好地输入到深度神经网络中。
第二步：深度学习模型构建本系统采用的是基于 CNN 的神经网络模型。
CNN 是一种特殊的神经网络结构，具有局部感知和权值共享的特性，可以有效地识别图像中的特征。
网络提取到的特征随后会送到全连接层进行分类。
深度神经网络的训练属于监督学习，需要提供训练数据和对应的标签。
在训练过程中，网络会不断地调整权值使得预测值和实际标签尽量一致。
基于OpenCV的实时手势识别算法研究
Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｆ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｆ ｏ ｒ ｒ ｅ ａ ｌ － ｔ ｉ ｍｅ ｇ ｅ ｓ ｔ ｕ ｒ ｅ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ
ｂａ ｓ ｅ ｄ ｏ ｎ Ｏｐ ｅ ｎ ＣＶ
Ｘ Ｕ Ｙ ａ ｎ ． Ｘ Ｕ ． Ｚ Ｈ Ａ Ｎ Ｇ Ｑ ｉ ， ＷＵ Ｘ ｉ ａ
（ １ ．北京科技 大学计算机与通信工程学院 ， 北京 １ ０ ０８ ３ ； ２ ．北京科技大学 自 动化学院 ， 北京 １ ０ ０ ０ ８ ３ ）
摘
要 ：文 中介 绍 了一种 易于实现 的快速 实时手 势识别算 法 。研 究借助 计算机 视 觉库 Ｏ ｐ ｅ ｎ Ｃ Ｖ和
微软 Ｖ ｉ ｓ ｕ ａ ｌ Ｓ ｔ ｕ ｄ ｉ 取 人 的手 势信 息 ，进 而 经二 值 化 、
ｓ ｔ ｕｄ ｙ，ｉ ｔ ｓ ｅ ｔ ｓ ｕ ｐ ｈｅ ｔ ｄ ｅ ｖ ｅ ｌ ｏ ｐ ｍｅ ｎ ｔ ｐｌ ａ ｆ ｔ ｏ ｒ ｍ ｂ ｙ ｍｅ ａ ｎｓ ｏ ｆ ｃ ｏ ｍｐ ｕ ｔ ｅ ｒ ｖ ｉ ｓ ｉ ｏ ｎ ｌ ｉ ｂ ｒ ａ ｒ ｙ Ｏｐ ｅ ｎ ＣＶ ａ ｎ ｄ Ｍｉ ｃ ｒ ｏ ｓ ｏ ｆ ｔ
基于图像处理的手势识别技术研究
基于图像处理的手势识别技术研究一、引言手势识别技术是目前计算机视觉领域的热门研究方向之一。
它可以让人们通过特定的手势来控制电脑，手机等数字设备，提高用户的互动体验和操作效率。
而图像处理是实现手势识别的核心技术之一，本文将从实现原理、常用方法、优化策略等方面对基于图像处理的手势识别技术进行研究和探讨。
二、实现原理基于图像处理的手势识别技术是通过采集摄像头上传的图像进行分析和处理，从而识别出图像中的手势特征。
首先将图像进行处理，获取手部的位置、大小、形状等信息，再通过分类器和机器学习算法进行特征匹配和比对，最终确定手势种类和执行对应操作。
三、常用方法1.背景减除法：将摄像头获取的图像与背景图像做差，得到一个前景图像，再通过形态学处理，提取出前景图像中的手部轮廓，最后利用特征匹配算法进行手势识别。
2.肤色检测法：利用肤色在RGB、HSV、YCbCr等颜色空间中的特点，提取图像中肤色区域，并通过形态学处理、轮廓检测等方法，获取手部的轮廓信息，最后通过分类器实现手势识别。
3.深度相机法：通过深度相机获取三维图像信息，提取出手部的深度信息和表面轮廓，再通过分类器实现手势识别。
四、优化策略1.采用卷积神经网络(CNN)模型：通过搭建CNN模型，利用大量的手势图像进行训练，提高识别准确率和鲁棒性。
2.手势数据增强：通过旋转、平移、缩放等变换方式增加手势数据集的样本数量，提高识别效果和泛化能力。
3.动态手势识别：不仅识别手部静止时的手势，还可以通过视频流技术对动态手势进行识别，提高用户交互的灵活性和实用性。
五、应用场景1.智能家居：通过手势识别技术，控制灯光、窗户、电视、音响等家居设备，提高生活舒适度和便捷性。
2.娱乐互动：通过手势识别技术，玩游戏、跳舞、健身等娱乐项目，增强娱乐体验和活力。
3.工业生产：通过手势识别技术，控制机器人臂、开关设备、调整仪表等工业操作，提高生产效率和安全性。
六、结论基于图像处理的手势识别技术是计算机视觉中的重要研究方向，虽然在实现过程中存在许多挑战和难点，但其应用前景广泛，将极大地提高用户交互的体验和操作效率，有效推动数字化时代的发展进程。
opencv 项目案例
opencv 项目案例OpenCV是一个开源的计算机视觉库，它提供了丰富的函数和算法，用于处理和分析图像和视频数据。
下面是一些基于OpenCV的项目案例以及相关参考内容，希望对您有所帮助。
1. 人脸识别人脸识别是计算机视觉领域的一项重要任务，可以应用于安防监控、人机交互等领域。
参考内容可以包括：- 人脸检测：使用OpenCV的人脸检测器（如Haar级联分类器）对输入图像进行人脸检测。
- 特征提取：使用OpenCV的特征提取算法（如局部二值模式直方图）从人脸图像中提取特征向量。
- 训练分类器：使用OpenCV的机器学习算法（如支持向量机）来训练一个人脸分类器。
- 人脸识别：使用训练好的分类器对新的人脸图像进行识别。
2. 手势识别手势识别可以应用于人机交互、虚拟现实等领域。
参考内容可以包括：- 手势检测：使用OpenCV的背景减除算法和运动跟踪算法对输入视频中的手部进行检测和跟踪。
- 手势识别：根据手势的形状、轮廓、手指数量等特征，使用OpenCV的图像处理和机器学习算法对手势进行识别。
- 手势控制：根据识别出的手势，实现对计算机或设备的控制（如控制鼠标、游戏操作等）。
3. 目标检测与跟踪目标检测与跟踪可以应用于安防监控、自动驾驶等领域。
参考内容可以包括：- 目标检测：使用OpenCV的目标检测器（如级联分类器、深度学习模型）对输入图像或视频中的目标进行检测。
- 目标跟踪：根据检测到的目标，使用OpenCV的运动跟踪算法（如卡尔曼滤波、均值漂移）对目标进行跟踪。
- 多目标跟踪：对于多个目标，使用OpenCV的多目标跟踪算法（如多种滤波方法的组合）进行跟踪与管理。
4. 图像处理与增强图像处理与增强可以应用于图像编辑、美颜相机等领域。
参考内容可以包括：- 图像滤波：使用OpenCV的滤波算法（如均值滤波、高斯滤波）对图像进行平滑处理或边缘增强。
- 图像增强：使用OpenCV的直方图均衡化、自适应直方图均衡化等算法对图像进行增强。
如何运用计算机视觉技术进行手势识别与追踪
如何运用计算机视觉技术进行手势识别与追踪手势识别与追踪是计算机视觉技术中的重要应用领域。
通过使用摄像头或其他传感器来捕捉手势动作，并将其转化为计算机可识别的数据，可以实现与计算机的非接触式交互。
本文将介绍如何运用计算机视觉技术进行手势识别与追踪。
一、手势识别技术的分类手势识别技术主要分为两类：基于传感器和基于图像。
基于传感器的手势识别技术使用专门的传感器来捕捉手势动作，如手部的位置、方向和速度等信息。
而基于图像的手势识别技术则使用摄像头来捕捉手势动作所对应的图像，并通过图像处理算法进行分析和识别。
二、基于图像的手势识别与追踪1. 手势图像采集：首先需要使用摄像头来捕捉手势动作的图像。
为了提高准确性和鲁棒性，可以考虑使用双摄像头或深度摄像头来获取更多的深度信息。
2. 手势图像预处理：对于捕捉到的手势图像，需要进行预处理以提取特征并减少噪声。
常用的预处理步骤包括图像增强、滤波、边缘检测和阈值化等。
3. 手势特征提取：通过对预处理后的手势图像进行特征提取，可以将手势动作转化为计算机可识别的数据。
常用的手势特征包括手部的位置、角度、方向和轨迹等。
4. 手势识别与分类：在手势特征提取的基础上，使用机器学习算法或深度学习方法对手势进行识别和分类。
常用的机器学习算法包括支持向量机（SVM）、随机森林和卷积神经网络（CNN）等。
5. 手势追踪与跟踪：一旦手势被成功识别，可以使用追踪算法来实现对手势的实时追踪。
常用的追踪算法包括卡尔曼滤波、粒子滤波和相关滤波等。
三、手势识别技术的应用手势识别技术在许多领域都有广泛的应用。
以下是一些常见的应用场景：1. 人机交互：手势识别技术可以实现与计算机或其他设备的非接触式交互，例如手势控制电视、智能手机或游戏控制器等。
2. 虚拟现实和增强现实：手势识别技术可以用于虚拟现实和增强现实中，使用户能够通过手势控制虚拟物体或与虚拟环境进行交互。
3. 医疗保健：手势识别技术可以用于医疗保健领域，实现对手势动作的分析和评估，例如康复训练和运动分析等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ＲomerＲosales在其博士论文中提出一种随机非线性的监督学习模型( Specialized Mappings Architecture，SMA )，通过使用“分而治之”的方法降低问题空间的复杂度。SMA由几个特定的前向映射函数和一个已知的反馈函数所组成，前向映射函数可以从训练集数据通过学习自动得到。输出空间由一些函数对输入空间(例如图像特征空间)的某些域映射得到，实验表明，SMA可以比较好地处理病态问题。
在手语识别的研究方面，早在1991年，TAKAHASHI就开始了手势符号的研究工作，并能识别46个手势符号。他们的手势输入系统是戴在指尖上的视觉手套，其本身产生的高亮标记，能够识别7种手势。在美国研究人员对手势的研究中，Starner等对40个词汇随机组成的句子进行识别，正确率为99. 2%。哈尔滨工业大学的吴江琴等在中国手语研究中，使用18个传感器的Cyber Glover数据手套，结合人工神经网络( Artificial Neural Network，ANN)与HMM两种方法，增强识别方法的分类特性，减少模型估计参数的个数，对孤立词的识别率为90%，简单语句级识别率为92%。随后又采用动态高斯混合模型作为系统的识别技术，可识别出中国手势字典中的274个词条，识别率达到98.2%。上海海事大学的研究人员，利用几何特征及距离特征等对手势图像进行特征提取,对静态手势的识别进行了大量的研究,较好的解决了手势的旋转、缩放和尺度变换等问题，达到静态手势识别的较高稳定性。兰州理工大学、北京交通大学、浙江大学、哈尔滨工业大学及华中师范大学等的研究人员，对静态手势识别的研究，也得到较好的结果。清华大学祝远新和徐光祐等的图像运动估计方法，是基于视觉的动态孤立手势识别技术。图像的运动参数，是手势的表观特征模型，以最大和最小优化算法创建手势参考模板，使用基于模板的分类技术识别手势。之后又将手势的运动信息及皮肤颜色信息融入，提出动态时间规整算法，识别连续动态的12种3D手势等，辨识率达97%。剑桥大学的Stenger等利用截去两头的圆锥体、圆柱体及椭圆体构造的三维人手模型，以树形滤波器和分层的贝叶斯滤波器对三维手势进行跟踪和识别，识别率达到97%。
电子科技大学
2011级本科毕业设计（论文）开题报告表
学号Байду номын сангаас2011080040011
姓名：吴明
学院：机械电子工程学院
专业：机械设计制造及其自动化
学位论文题目
基于Opencv的动态手势识别技术
学位论文题目来源：1.科研2.生产3.教学（含实验）√4.其它
（在选项上打勾选择）
学位论文成果形式：1.硬件2.硬件+软件√3.软件4.纯论文
（在选项上打勾选择）
学位 论文 研究
内容
目前，手势识别方面的研究已经进行了几十年，并已经取得了一些阶段性的成果。国内外从事这一领域研究的主要机构有：美国的MIT媒体实验室、麻省理工大学、密歇根州立大学计算机系，以及国内的哈尔滨工业大学等。
“机器学习”是较多用的手势识别方法。该方法可找到手势与高维特征集的关系，解决特征搜索问题。如HMM法。由于HMM是一种时间尺度不变量，能较好的提取和识别手势的时空动态模型，还能在每个时间步上输出一个观测特征，可用密度函数来表示其概率分布。Jeong等提出将HMM模型和线性状态空间模型混合的耦合双开关线性模型( Coupling Switching Linear Model)，能够同时识别双手。它通过平面拟合将数据降到2D空间后作为HMM的输入，然后用主轮廓线方法把手的轮廓参数化为形状向量作为模型的状态向量。Chunglin Huang等提出将边缘特征作为空间信息，运动特征作为时间信息来提取图像特征的手势识别系统，训练时的空间形状变化用主成分分析法来刻划，采用HMM刻划时间形状变化，用改进的Hausdorff距离来描述特征图像与PCA模型间的相似程度;由输入的图像序列产生识别测量模型，经Viterbi算法处理确定手势。
（3）实时手势跟踪：拟采用基于改进颜色直方图信息的粒子滤波跟踪算法来实现运动手势的实时跟踪。将颜色直方图信息作为观测模型来求解动态模型的运动目标中心，此处对于颜色直方图信息做手势检测阶段同样的改进处理。
（4）手势识别：拟采用于基于隐马尔可夫模型算法隐马尔可夫模型( Hidden Markov Model，HMM)是一种统计分析模型，能非常细致的描述手势信号的时空变化，适用于动态手势的识别。
（5）应用系统的实现：在微软的VS2010平台上，使用C++语言进行软件开发，在图像处理相关方面使用的是计算机视觉库(OpenCV)
5．论文特色或创新点
本文针对计算机视觉，结合运动检测、跟踪与识别等算法设计了一个简易实时人机交互系统。其创新点在于：
（1）在运动检测过程中采用背景差分的运动检测与直方图的运动检测相结合的方法，可以快速准确地检测运动手势区域，满足实时性的要求；
图像或人手图像手势信息
图像序列
图1手势识别系统
目前有2种手势输入设备:数据手套;摄像头或摄像机。
4.拟解决的关键问题和最终目标，以及拟采取的主要理论、技术路线和实施方案等
（1）手势输入设备：拟采用摄像头，该设备使用方便，价格便宜，且现在流行的移动设备上都配备有较高像素的摄像头。
（2）手势的检测与定位：拟采用背景差分结合改进颜色直方图特征的运动检测方法，来实现动态手势的实时检测。在背景更新的基础上，对实时提取到的运动手势图像进行一些特殊的处理，如灰度化、二值化、滤波以及图像形态学处理等，可以使最终得到的运动手势检测呈现出较为理想的效果。
对于3 D动态手势的识别，相关研究还比较少，清华大学任海兵等将动态时空规整算法用于手势识别。马赓宇等对特定的浏览三维物体的手势集，采用HMM模型建模各类手势序列，并引入过渡模型方法，对连续输入的手势序列自动进行切分和识别，达到实时在线识别的目的。山东大学孔晓明等［58］通过HMM模型，设计出动态手势的训练和识别算法，其识别结果基本能实现控制远程机器人。李文生等定义了以指尖运动轨迹的动态手势模型，使用BP神经网络进行动态手势的训练和识别，取得了较好的效果。黄季冬等使用Kinect传感器，改进了动态时间规整算法( Dynamic Time Warping，DTW)，用于三维场景下的动态手势识别，取得了较好的效果。包加桐等［62］提出基于加速鲁棒特征跟踪( Speeded UpＲobust Feature SUＲF)的动态手势识别算法。李文生等提出基于Hermite神经网络的动态手势学习和识别算法，都取得了不错的效果。
[4] ROMER R．Specialized mappings architecture withapplications tovision-based estimation of articulated［J］．International Journal ofComputer Vision，2006，66(1 ) : 83－101．
（2）在识别过程中，采用HMM轨迹识别方法，能基本完成上下左右轨迹的识别，满足识别的有效性。
导师 审查 意见
签名：
日期： 年 月 日
Wachs等以12个基本手势训练集模型，作为Fuzzy C－Means Clustering算法的输入。Ghahramani和Kervrann等针对可形变的模型进行无监督的学习，根据模型形变量的统计信息，对形变量进行优化估计。
可见，HMM被广泛用于手势识别系统中，它的理论基础非常成熟，但它存在的主要问题是:由于它只有一个隐离散状态变量，不易作多过程交叉处理，不能处理有相关性的时间序列。
参考文献
[1]路凯，李小坚.手势识别研究概述［J］.西安文理学院学报:自然科学版，2006，9(2) : 93－96.
[2]冯志全.运动人手的三维跟踪方法研究［D］．山东:山东大学计算机科学与技术学院，2006.
[3]ALI E，GEOGREB，MIRCEAN，etal．Vision-based hand pose estimation:a review［J］.Computer Vision and Image Understanding，2007(8) : 52－73．
基于视觉的手势识别技术，涉及图像处理、模式识别和计算机视觉等研究内容，是当前的热点研究课题，国内外学者在“基于手语手势的识别”领域，已开展诸多研究工作。
3．课题研究内容
手势识别系统包含两个主要技术环节，如图1所示。一是人手的检测和定位，即从输入图像中找到人手存在的位置，并将人手从背景中分割出来，二是对找到和分割出的人手图像进行特征提取与识别.