前言

本文将使用OpenCV C++ 实现手势识别效果。本案例主要可以分为以下几个步骤：
1、手部关键点检测
2、手势识别
3、效果显示
接下来就来看看本案例具体是怎么实现的吧！！！

一、手部关键点检测

如图所示，为我们的手部关键点所在位置。第一步，我们需要检测手部21个关键点。我们使用深度神经网络DNN模块来完成这件事。通过使用DNN模块可以检测出手部21个关键点作为结果输出，具体请看源码。

1.1 功能源码

//手部关键点检测
bool HandKeypoints_Detect(Mat src, vector<Point>&HandKeypoints)
{//模型尺寸大小int width = src.cols;int height = src.rows;float ratio = width / (float)height;int modelHeight = 368;  //由模型输入维度决定int modelWidth = int(ratio*modelHeight);//模型文件string model_file = "pose_deploy.prototxt";  //网络模型string model_weight = "pose_iter_102000.caffemodel";//网络训练权重//加载caffe模型Net net = readNetFromCaffe(model_file, model_weight);//将输入图像转成blob形式Mat blob = blobFromImage(src, 1.0 / 255, Size(modelWidth, modelHeight), Scalar(0, 0, 0));//将图像转换的blob数据输入到网络的第一层“image”层，见deploy.protxt文件net.setInput(blob, "image");//结果输出Mat output = net.forward();int H = output.size[2];int W = output.size[3];for (int i = 0; i < nPoints; i++){//结果预测Mat probMap(H, W, CV_32F, output.ptr(0, i)); resize(probMap, probMap, Size(width, height));Point keypoint; //最大可能性手部关键点位置double classProb;  //最大可能性概率值minMaxLoc(probMap, NULL, &classProb, NULL, &keypoint);HandKeypoints[i] = keypoint; //结果输出，即手部关键点所在坐标}return true;
}

1.2 功能效果

如图所示，我们已经通过DNN检测出21个手部关键点所在位置。接下来，我们需要使用这些关键点进行简单的手势识别。

二、手势识别

2.1算法原理

本案例实现手势识别是通过比较关键点位置确定的。首先拿出每个手指尖关键点索引（即4、8、12、16、20）。接下来，对比每个手指其它关键点与其指尖所在位置。
例如我们想确定大拇指现在的状态是张开的还是闭合的。如下图所示，由于OpenCV是以左上角为起点建立坐标系的。当大拇指处于张开状态时（掌心向内），我们可以发现，对比关键点4、关键点3所在位置。当4的x坐标大于3的x坐标时，拇指处于张开状态；当4的x坐标小于3的x坐标时，拇指处于闭合状态。
同理，其余四个手指，以食指为例。当关键点8的y坐标小于关键点6的y坐标时，此时食指处于张开状态；当关键点8的y坐标大于关键点6的y坐标时，此时食指处于闭合状态。
当手指处于张开状态时，我们计数1。通过统计手指的张开数达到手势识别的目的。具体请看源码。

2.2功能源码

//手势识别
bool Handpose_Recognition(vector<Point>&HandKeypoints, int& count)
{vector<int>fingers;//拇指if (HandKeypoints[tipIds[0]].x > HandKeypoints[tipIds[0] - 1].x){   //如果关键点'4'的x坐标大于关键点'3'的x坐标，则说明大拇指是张开的。计数1fingers.push_back(1);}else{fingers.push_back(0);}//其余的4个手指for (int i = 1; i < 5; i++){if (HandKeypoints[tipIds[i]].y < HandKeypoints[tipIds[i] - 2].y){//例：如果关键点'8'的y坐标小于关键点'6'的y坐标，则说明食指是张开的。计数1fingers.push_back(1);}else{fingers.push_back(0);}}//结果统计for (int i = 0; i < fingers.size(); i++){if (fingers[i] == 1){count++;}}return true;
}

三、结果显示

通过以上步骤，我们已经有了手部关键点所在坐标位置以及对应的手势结果，接下来就进行效果展示。
在这里，为了逼格高一点，我们将下面的手势模板图像作为输出结果放进我们的测试图中。具体操作请看源码。

3.1功能源码

//识别效果显示
bool ShowResult(Mat& src, vector<Point>&HandKeypoints, int& count)
{//画出关键点所在位置for (int i = 0; i < nPoints; i++){circle(src, HandKeypoints[i], 3, Scalar(0, 0, 255), -1);putText(src, to_string(i), HandKeypoints[i], FONT_HERSHEY_COMPLEX, 0.8, Scalar(0, 255, 0), 2);}//为了显示骚操作，读取模板图片，作为识别结果vector<string>imageList;string filename = "images/";glob(filename, imageList);vector<Mat>Temp;for (int i = 0; i < imageList.size(); i++){Mat temp = imread(imageList[i]);resize(temp, temp, Size(100, 100), 1, 1, INTER_AREA);Temp.push_back(temp);}//将识别结果显示在原图中Temp[count].copyTo(src(Rect(0, src.rows- Temp[count].rows, Temp[count].cols, Temp[count].rows)));putText(src, to_string(count), Point(20, 60), FONT_HERSHEY_COMPLEX, 2, Scalar(0, 0, 128), 3);return true;
}

3.2效果显示

除此之外，我们还可以将所有的图片整合成一张图，具体请看源码吧。

//将所有图片整合成一张图片
bool Stitching_Image(vector<Mat>images)
{Mat canvas = Mat::zeros(Size(1200, 1000), CV_8UC3);int width = 400;int height = 500;for (int i = 0; i < images.size(); i++){resize(images[i], images[i], Size(width, height), 1, 1, INTER_LINEAR);}int col = canvas.cols / width;int row = canvas.rows / height;for (int i = 0; i < row; i++){for (int j = 0; j < col; j++){int index = i * col + j;images[index].copyTo(canvas(Rect(j*width, i*height, width, height)));}}namedWindow("result", WINDOW_NORMAL);imshow("result", canvas);waitKey(0);return true;
}

最终结果如图所示。以上就是整个案例的流程啦。。。

四、源码

#include<iostream>
#include<opencv2/opencv.hpp>
#include<opencv2/dnn.hpp>
using namespace std;
using namespace cv;
using namespace cv::dnn;//手部关键点数目
const int nPoints = 21;
//手指索引
const int tipIds[] = { 4,8,12,16,20 };//手部关键点检测
bool HandKeypoints_Detect(Mat src, vector<Point>&HandKeypoints)
{//模型尺寸大小int width = src.cols;int height = src.rows;float ratio = width / (float)height;int modelHeight = 368;  //由模型输入维度决定int modelWidth = int(ratio*modelHeight);//模型文件string model_file = "pose_deploy.prototxt";  //网络模型string model_weight = "pose_iter_102000.caffemodel";//网络训练权重//加载caffe模型Net net = readNetFromCaffe(model_file, model_weight);//将输入图像转成blob形式Mat blob = blobFromImage(src, 1.0 / 255, Size(modelWidth, modelHeight), Scalar(0, 0, 0));//将图像转换的blob数据输入到网络的第一层“image”层，见deploy.protxt文件net.setInput(blob, "image");//结果输出Mat output = net.forward();int H = output.size[2];int W = output.size[3];for (int i = 0; i < nPoints; i++){//结果预测Mat probMap(H, W, CV_32F, output.ptr(0, i)); resize(probMap, probMap, Size(width, height));Point keypoint; //最大可能性手部关键点位置double classProb;  //最大可能性概率值minMaxLoc(probMap, NULL, &classProb, NULL, &keypoint);HandKeypoints[i] = keypoint; //结果输出，即手部关键点所在坐标}return true;
}//手势识别
bool Handpose_Recognition(vector<Point>&HandKeypoints, int& count)
{vector<int>fingers;//拇指if (HandKeypoints[tipIds[0]].x > HandKeypoints[tipIds[0] - 1].x){   //如果关键点'4'的x坐标大于关键点'3'的x坐标，则说明大拇指是张开的。计数1fingers.push_back(1);}else{fingers.push_back(0);}//其余的4个手指for (int i = 1; i < 5; i++){if (HandKeypoints[tipIds[i]].y < HandKeypoints[tipIds[i] - 2].y){//例：如果关键点'8'的y坐标小于关键点'6'的y坐标，则说明食指是张开的。计数1fingers.push_back(1);}else{fingers.push_back(0);}}//结果统计for (int i = 0; i < fingers.size(); i++){if (fingers[i] == 1){count++;}}return true;
}//识别效果显示
bool ShowResult(Mat& src, vector<Point>&HandKeypoints, int& count)
{//画出关键点所在位置for (int i = 0; i < nPoints; i++){circle(src, HandKeypoints[i], 3, Scalar(0, 0, 255), -1);putText(src, to_string(i), HandKeypoints[i], FONT_HERSHEY_COMPLEX, 0.8, Scalar(0, 255, 0), 2);}//为了显示骚操作，读取模板图片，作为识别结果vector<string>imageList;string filename = "images/";glob(filename, imageList);vector<Mat>Temp;for (int i = 0; i < imageList.size(); i++){Mat temp = imread(imageList[i]);resize(temp, temp, Size(100, 100), 1, 1, INTER_AREA);Temp.push_back(temp);}//将识别结果显示在原图中Temp[count].copyTo(src(Rect(0, src.rows- Temp[count].rows, Temp[count].cols, Temp[count].rows)));putText(src, to_string(count), Point(20, 60), FONT_HERSHEY_COMPLEX, 2, Scalar(0, 0, 128), 3);return true;
}//将所有图片整合成一张图片
bool Stitching_Image(vector<Mat>images)
{Mat canvas = Mat::zeros(Size(1200, 1000), CV_8UC3);int width = 400;int height = 500;for (int i = 0; i < images.size(); i++){resize(images[i], images[i], Size(width, height), 1, 1, INTER_LINEAR);}int col = canvas.cols / width;int row = canvas.rows / height;for (int i = 0; i < row; i++){for (int j = 0; j < col; j++){int index = i * col + j;images[index].copyTo(canvas(Rect(j*width, i*height, width, height)));}}namedWindow("result", WINDOW_NORMAL);imshow("result", canvas);waitKey(0);return true;
}int main()
{vector<string>imageList;string filename = "test/";glob(filename, imageList);vector<Mat>images;for (int i = 0; i < imageList.size(); i++){Mat src = imread(imageList[i]);vector<Point>HandKeypoints(nPoints);HandKeypoints_Detect(src, HandKeypoints);int count = 0;Handpose_Recognition(HandKeypoints, count);ShowResult(src, HandKeypoints, count);images.push_back(src);imshow("Demo", src);waitKey(0);}Stitching_Image(images);system("pause");return 0;
}

总结

本文使用OpenCV C++实现一些简单的手势识别，在这里仅为了提供一个算法思想，理解了算法思想自己想实现什么功能都会很简单。主要操作有以下几点。
1、使用DNN模块实现手部关键点检测
2、利用各关键点所在位置来判定手指的张合状态。
3、效果显示（仅为了实现效果演示，可以省略）

OpenCV C++案例实战二十二《手势识别》相关推荐

OpenCV C++案例实战三十二《字符识别》
OpenCV C++案例实战三十二<字符识别> 前言一.结果演示二.制作数据集三.字符识别四.源码总结前言本案例将使用OpenCV C++ 进行字符识别.主要包括制作数据集. ...
OpenCV C++案例实战三《二维码检测》
OpenCV C++案例实战三<二维码检测> 前言一.二维码检测二.二维码识别 1.通过findContours找到轮廓层级关系三.二维码绘制四.源码总结前言本文将使用Ope ...
OpenCV C++案例实战二十九《遥感图像分割》
OpenCV C++案例实战二十九<遥感图像分割> 前言一.准备数据二.K-Means分类三.效果显示四.源码总结前言本案例基于k-means机器学习算法进行遥感图像分割.主 ...
OpenCV C++案例实战十二《图像全景拼接》
OpenCV C++案例实战十二<图像全景拼接> 前言一.OpenCV Stitcher 1.功能源码 2.效果二.图像全景拼接 1.特征检测 2.计算单应性矩阵 3.透视变换 4.图 ...
OpenCV C++案例实战二《生成蒙太奇图像》
OpenCV C++案例实战二<生成蒙太奇图像> 前言一.输入模板图像二.读取素材图像三.生成蒙太奇模板四.生成蒙太奇图像五.源码总结前言本文将使用OpenCV C++ 生 ...
OpenCV C++案例实战二十一《制作视频播放器》
OpenCV C++案例实战二十一<制作视频播放器> 前言一.源码二.效果总结前言本文将使用OpenCV C++ 制作简易视频播放器,用于实现视频播放基本功能. 1.通过创建滑动 ...
OpenCV C++案例实战二十七《角度测量》
OpenCV C++案例实战二十七<角度测量> 前言一.鼠标响应事件 1.1功能源码 1.2功能效果二.计算直线角度 2.1 计算直线斜率 2.2计算直线角度 2.3功能源码三.绘制 ...
OpenCV C++案例实战十八《抖音特效——“蓝线挑战”》
OpenCV C++案例实战十八<抖音特效--"蓝线挑战"> 前言一.图像扫描二.生成定格图像三.图像混合四.效果显示五.源码总结前言本文将使用Open ...
OpenCV C++案例实战十九《制作电子相册查看器》
OpenCV C++案例实战十九<制作电子相册查看器> 前言一.图片读取二.图片展示三.键盘控制四.效果显示五.源码总结前言本文将使用OpenCV C++ 制作电子相册查看 ...

OpenCV C++案例实战二十二《手势识别》