请求提供手部追踪应用（hand tracking app）开发参考资料及示例程序

一、主流技术框架参考 #

• MediaPipe Hands：谷歌开源的手部追踪方案，支持实时检测21个手部关键点，适配移动端、桌面端，内置手势识别基础逻辑
• OpenCV + 机器学习模型：用OpenCV做图像预处理，搭配预训练的手部检测模型（如YOLO系列手部检测模型），适合自定义需求较多的场景
• TensorFlow Lite 手部追踪模型：轻量级模型，适合嵌入式设备或移动端开发，可直接调用预训练模型进行关键点检测

二、基础示例程序片段 #

1. MediaPipe 手部关键点检测基础代码 #

import cv2
import mediapipe as mp

mp_hands = mp.solutions.hands
hands = mp_hands.Hands(static_image_mode=False, max_num_hands=2, min_detection_confidence=0.5)
mp_draw = mp.solutions.drawing_utils

cap = cv2.VideoCapture(0)

while cap.isOpened():
    success, img = cap.read()
    if not success:
        continue
    
    img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    results = hands.process(img_rgb)
    
    if results.multi_hand_landmarks:
        for hand_landmarks in results.multi_hand_landmarks:
            mp_draw.draw_landmarks(img, hand_landmarks, mp_hands.HAND_CONNECTIONS)
    
    cv2.imshow('Hand Tracking', img)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

2. OpenCV 手部轮廓检测基础代码 #

import cv2
import numpy as np

cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
    
    # 肤色范围（可根据实际场景调整）
    lower_skin = np.array([0, 20, 70], dtype=np.uint8)
    upper_skin = np.array([20, 255, 255], dtype=np.uint8)
    
    mask = cv2.inRange(hsv, lower_skin, upper_skin)
    contours, _ = cv2.findContours(mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
    
    if contours:
        max_contour = max(contours, key=cv2.contourArea)
        cv2.drawContours(frame, [max_contour], -1, (0, 255, 0), 2)
    
    cv2.imshow('Hand Contour', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

三、进阶学习方向 #

• 手部关键点的坐标解析：通过关键点坐标计算手势（如握拳、点赞、数字手势）
• 多手势分类：结合机器学习模型（如SVM、CNN）对不同手势进行分类
• 跨设备适配：优化模型在低性能设备上的运行速度，减少延迟
• 交互逻辑开发：将手部追踪结果与应用功能绑定（如控制鼠标、手势操作UI）

内容的提问来源于stack exchange，提问作者パンダ