简介：面向Python与OpenCV开发者的手势识别实战资料，基于GitHub开源项目改进后支持手指指尖检测，并能在Windows平台通过手指数目模拟键盘按键，实现简单的免触控交互。整个资源为1个PDF文件，仅233KB，内容以完整源码为主干，配有逐段中文注释，并给出环境说明（Python3.6+OpenCV3.4.0）与核心参数的含义及可调范围；代码覆盖背景减除、高斯模糊、二值化、轮廓提取、凸包绘制、指尖定位与计数、模拟按键等关键环节，从摄像头读取到输出控制一应俱全，很适合初次接触手势识别或希望快速跑通Demo的学习者。已有1992人学习，阅读时既可以按代码顺序跟踪处理流程，也可以把指尖检测部分移植到自己的项目中二次开发，或在此基础上调整阈值、修改按键映射以适配不同场景。
1. 手势识别：这可能是你最快跑通的指尖检测方案
用 Python 做手势识别，很多人第一反应是上 MediaPipe 或深度学习模型，但如果你只需要在 Windows 下通过手指数目触发键盘操作，OpenCV 的经典方案反而更直接：不需要训练、不需要 GPU、单个 Python 文件就能跑。本文要拆的这个项目来自 GitHub 上的 Fingers-Detection-using-OpenCV-and-Python，原作者实现了基于背景减除的指尖检测，我在此基础上补充了指尖坐标过滤逻辑和 win32api 键盘模拟，让整个程序可以在 Windows 下用 2 根手指、3 根手指去触发按键。
这个方案的核心思路不是靠肤色检测，而是靠背景减除：先让摄像头记住一帧没有手的背景，然后把每一帧画面和背景做差分，前景就是你的手。整个过程只依赖 OpenCV 的图像处理函数和 numpy 运算，原理透明、参数可调，非常适合作为手势识别入门项目来复现。适合的人群很明确：想理解 OpenCV 轮廓分析和凸包原理的人、需要在本地用摄像头做交互控制的人、以及不想引入大模型依赖的嵌入式或桌面端开发者。
2. 从背景建模到二值化：先把「手」从画面里抠出来
2.1 为什么选 MOG2 而不是肤色检测
这个项目最关键的一步是cv2.createBackgroundSubtractorMOG2。我去查了原项目的设计意图，作者选它而不是肤色检测，是因为肤色模型对光线和白平衡极其敏感：同一个人的手，在暖光灯和 LED 灯下 YCrCb 范围的分布完全不同，肤色阈值调一次换一个环境就失效。而背景减除不关心你手是什么颜色，只关心画面里什么东西动了、什么东西没动。
MOG2 的全称是 Mixture of Gaussians v2，OpenCV 内置的自适应混合高斯背景建模。它的工作方式是对每个像素建立多个高斯分布，一个像素如果长期保持相近的灰度值，就被归入背景模型；一旦某个像素的灰度值和背景模型差异超过阈值，就被判定为前景。createBackgroundSubtractorMOG2(history, varThreshold, detectShadows)的三个参数中，history 决定用多少帧来训练背景模型，varThreshold 决定判定前景的方差阈值，detectShadows 用于是否检测阴影。
bgModel = cv2.createBackgroundSubtractorMOG2(0, bgSubThreshold)这段代码里 history 传了 0，表示使用默认的 200 帧；bgSubThreshold的值是 50，表示像素值和背景模型的马氏距离超过 50 就认为是前景。注意 MOG2 的默认参数对阴影检测是开启的，原项目没有单独处理阴影，这在实际运行中会导致手部边缘出现灰黑色的噪点块。我一般会把 detectShadows 显式设为 False，减少后续轮廓提取的干扰：
bgModel = cv2.createBackgroundSubtractorMOG2(history=500, varThreshold=bgSubThreshold, detectShadows=False)history 从 0 改成 500，目的是让背景模型在窗口移动、窗帘飘动时更稳定。如果你的摄像头固定不动，这个值可以更大；如果摄像头是手持的，建议降到 100 以下，否则背景模型更新太慢，手的残影会残留在前景里。
2.2 removeBG 里的腐蚀操作到底在干什么
removeBG函数是整条处理链的入口，它做的事情不止是前景提取，还加了一次腐蚀：
def removeBG(frame): fgmask = bgModel.apply(frame, learningRate=learningRate) kernel = np.ones((3, 3), np.uint8) fgmask = cv2.erode(fgmask, kernel, iterations=1) res = cv2.bitwise_and(frame, frame, mask=fgmask) return resbgModel.apply返回的是一张单通道掩膜，白色区域代表前景，黑色代表背景。直接用这张掩膜去截原图，你会看到手的边缘有一圈毛刺——这是摄像头噪声和背景模型边缘像素误判造成的。腐蚀的作用就是把这些毛刺削掉：kernel 是 3×3 的全 1 矩阵，iterations=1 表示执行一次腐蚀，效果是让白色区域的边界向内收缩 1 个像素。代价是手指尖也会变细一圈，对于指尖检测来说，这反而有利于减少后续轮廓的锯齿。
learningRate传的是 0，这个参数另有含义。MOG2 的 apply 方法里，learningRate 为负数（默认 -1）表示自动更新背景模型，传 0 表示这一帧完全不更新背景。原项目里学习率恒为 0，意味着背景模型只在按 b 键那一刻被初始化，之后永远不会学习新的背景变化。这在固定场景下是优点——手不会慢慢被融入背景，但你如果中途移开摄像头或者背景里多了个物体，前景就会一直存在直到按 r 重置。
2.3 双边滤波和高斯模糊的分工：一个保边，一个降噪
预处理阶段有两个容易搞混的滤波：开头对原始帧做的是cv2.bilateralFilter，对前景掩膜做的是cv2.GaussianBlur。前者是双边滤波，它的特点是同时考虑像素的空间距离和灰度差异，所以在平滑噪声的同时能保留边缘。用在原始帧上，是为了让背景建模时像素的灰度分布更稳定，避免传感器噪点导致背景模型误判。
frame = cv2.bilateralFilter(frame, 5, 50, 100)参数依次是 d=5、sigmaColor=50、sigmaSpace=100。d 是滤波窗口直径，5 意味着考虑每个像素周围 5×5 的邻域；sigmaColor 越大，灰度差异大的像素越容易被一起平滑，边缘保留能力越弱；sigmaSpace 越大，远处像素对当前像素的影响越大。我实测下来，这三个参数在 640×480 的摄像头画面上表现不错，但如果你用的是 1080p 画面，d 要适当加大到 7，否则平滑效果不足。
高斯模糊则用在灰度图上，目的是消除二值化时产生的椒盐噪声：
blur = cv2.GaussianBlur(gray, (blurValue, blurValue), 0)blurValue设为 41，这是一个偏大的核。41×41 的高斯核意味着每个输出像素是周围 41×41 范围内像素的加权平均，对轮廓的平滑作用很明显，代价是丢失细小的凸起。如果手指很细或者摄像头距离手较远，可以考虑把 blurValue 降到 21，否则指尖可能被高斯模糊抹平，导致后面距离法找不准最远点。
2.4 阈值滑块的正确姿势：先调亮度，再调阈值
程序启动时会创建一个名为 trackbar 的窗口，里面放了一个 threshold 滑条，范围 0 到 100。这里的阈值是二值化的分界线：灰度图上像素值大于 threshold 的变成 255（白），小于的变成 0（黑）。
cv2.createTrackbar('threshold', 'trackbar', threshold, 100, printThreshold)中，初始值 threshold 是全局变量 60，回调函数 printThreshold 只是把当前阈值打印出来。实际操作时我建议按这个顺序校准：先按 b 捕获背景，然后对手放在摄像头前，观察 binary 窗口，如果手是黑色、背景是白色，说明阈值反了，需要把阈值调低；如果手上有大片空洞，说明阈值太高，背景的灰度值也被算进了前景。
有个细节值得注意：cap_region_x_begin = 0.5和cap_region_y_end = 0.8限定了感兴趣区域。程序只在画面右半部分、从上往下 80% 高度的区域内做手势检测，画面上用红色矩形标出了这个区域。这个设计是有意的——大多数人的操作习惯是右手放在摄像头右侧，左手操作键盘，所以只检测右侧区域能减少误判。如果你习惯左手手势，把cap_region_x_begin改成 0.0 并调整矩形框绘制逻辑就行。
3. 指尖检测：轮廓、凸包和距离法的三角关系
3.1 从二值图到轮廓：findContours 的坑从版本开始
二值化之后，thresh是一张黑白图，白色区域就是手。接下来要找到手的轮廓，OpenCV 提供了findContours。这里有一个版本差异的坑在文末的补充里明确写了：OpenCV 3.x 时代返回三个值，OpenCV 4.0 之后返回两个值。
thresh1 = copy.deepcopy(thresh) _, contours, hierarchy = cv2.findContours(thresh1, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)第一版代码针对的是 OpenCV 3.4.0，所以用了三个返回值。copy.deepcopy(thresh)很关键——findContours会直接修改输入图像，如果不拷贝，后续想再显示二值化结果就会拿到一张被破坏的图。cv2.RETR_TREE表示建立轮廓的层级树，cv2.CHAIN_APPROX_SIMPLE则用最少的点来编码轮廓，只保留端点。
如果你装的是 OpenCV 4.x，直接跑这段会报错说解包的值太多，解决方式很简单：
contours, hierarchy = cv2.findContours(thresh1, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)我自己的经验是，与其改代码，不如在同一条处理链里做版本兼容：
cnt_info = cv2.findContours(thresh1, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) if len(cnt_info) == 3: _, contours, hierarchy = cnt_info else: contours, hierarchy = cnt_info这样无论队友用的是 3.4 还是 4.5，代码都不会炸。
3.2 为什么只取最大轮廓：凸包检测的数学基础
轮廓可能有多个，比如手旁边放了杯水、或者背景减除没做干净留下了一块噪点。项目里用面积法筛掉小轮廓：
length = len(contours) maxArea = -1 if length > 0: for i in range(length): temp = contours[i] area = cv2.contourArea(temp) if area > maxArea: maxArea = area ci = i res = contours[ci]cv2.contourArea计算的是轮廓包围的面积，不是像素点数，因为轮廓是折线，直接数点数会低估面积。取最大轮廓后，下一步是计算凸包：
hull = cv2.convexHull(res)凸包是包含轮廓所有点的最小凸多边形。指尖检测依赖凸包的原因是：手指伸出来时，指尖是轮廓上离手心最远的点，同时也是凸包的顶点。非凸的凹点（比如指缝）不可能是凸包顶点，所以凸包可以直接过滤掉指缝形成的干扰点。cv2.drawContours(drawing, [hull], 0, (0, 0, 255), 3)用红色画凸包，绿色画原始轮廓，调试时一眼就能看出凸包是否贴合手指外形。
3.3 重心距离法找指尖：为什么不用凸包缺陷
算出凸包之后，主流的指尖检测思路有两种：一种是基于凸包缺陷（convexity defects），通过寻找轮廓上凹陷最深处的点来推断指缝位置，再反推指尖；另一种是本文采用的距离法，直接找轮廓上离重心最远的点。原作者选择了后者，代码里先算轮廓的矩：
moments = cv2.moments(res) center = (int(moments['m10'] / moments['m00']), int(moments['m01'] / moments['m00']))这里用零阶矩 m00 归一化一阶矩 m10 和 m01，得到的是轮廓质心。在手势识别中，质心和重心的差异可以忽略，用矩计算是最稳的，因为它对轮廓形状不敏感。
指尖检测的核心逻辑是遍历轮廓上的每个点，计算它到重心的距离平方：
fingerRes = [] max = 0; count = 0; notice = 0; cnt = 0 for i in range(len(res)): temp = res[i] dist = (temp[0][0] - center[0])**2 + (temp[0][1] - center[1])**2 if dist > max: max = dist notice = i if dist != max: count = count + 1 if count > 40: count = 0 max = 0这段代码初看有点绕。它不是在找全局最远点，而是在找「局部最远点」：每当 dist 超过当前最大值，就更新 notice；当 dist 不再是最大值且持续了 40 个点以上，说明当前这个最远点是一个独立的凸起，把它记下来，然后重置 max，继续找下一个凸起。count > 40 是防止噪声造成的假峰值被当作指尖——如果只是少数几个点突然变远，count 还没到 40 就被重置了。
为什么用距离平方而不是实际距离？因为math.sqrt是浮点运算，在 Python 的循环里对每个轮廓点都开根号，一帧几十毫秒的延迟就是从这里来的。距离平方的单调性和距离一致，不影响最值比较，但省掉了大量开方运算。这是原项目里很实惠的优化。
3.4 指尖过滤的两道闸门：低于手心不算、靠太近不算
找到局部最远点之后，还有两道过滤，这是原项目里容易被人忽略但实战价值最高的部分。第一道是高度过滤：
if center[1] < res[notice][0][1]: continuecenter[1]是重心的 y 坐标，res[notice][0][1]是候选点的 y 坐标。图像坐标系里 y 向下增大，所以center[1] < 候选点 y意味着候选点比重心更低。如果它比手心还低，那大概率是小臂或者手腕的边缘凸起，不是手指。这个假设在手掌朝下、手指向前伸的手势下成立，但如果你做的是手掌朝上的手势，指尖会比重心低，这一条会把所有指尖都过滤掉。用这个项目时手势固定成掌心朝下会更稳。
第二道是距离过滤：
for j in range(len(fingerRes)): if abs(res[notice][0][0] - fingerRes[j][0]) < 20: flag = True break这是检查候选点和已确认的指尖在 x 坐标上是否太近。x 坐标差小于 20 像素，视为同一个手指的重复检测。注意这里只比了 x 坐标，没比 y 坐标——因为手指竖直伸出时，同一个手指的轮廓点分布在同一 x 区间内的不同高度，x 是最有区分度的维度。如果摄像头是横着放的，这个判断会失效，你需要改成同时比较 x 和 y，或者干脆算两点欧氏距离。
20 这个阈值对应的是 640×480 画面下正常手指宽度的像素量。摄像头分辨率更高时，这个值要等比放大，比如 1280×720 画面下建议调到 40。
4. 从指尖到手指数：键盘模拟与控制逻辑
4.1 win32api 模拟按键：空格键的按下与释放
指尖检测完成后，cnt 就是当前帧识别到的手指数。原项目把它用来控制空格键：
win32api.keybd_event(32, 0, 0, 0) win32api.keybd_event(32, 0, win32con.KEYEVENTF_KEYUP, 0)keybd_event的第一个参数是虚拟键码，32 对应空格；第二个参数是扫描码，0 表示不指定；第三个参数是标志位，0 表示按下，win32con.KEYEVENTF_KEYUP表示释放。这里有个容易踩的坑：按下和释放之间没有延时，很多程序检测不到这么快的击键。我一般会在两次调用之间加一个time.sleep(0.05)，模拟真实按键的持续时间：
import time win32api.keybd_event(32, 0, 0, 0) time.sleep(0.05) win32api.keybd_event(32, 0, win32con.KEYEVENTF_KEYUP, 0)还有一个问题是连续触发。只要手势保持 3 根手指，每帧都会触发一次按键，一秒钟 30 帧就是 30 次空格。原项目没有做防抖。实际使用时，我会引入一个冷却时间：
last_trigger_time = 0 if triggerSwitch is True and cnt >= 3: current_time = time.time() if current_time - last_trigger_time > 0.5: win32api.keybd_event(32, 0, 0, 0) time.sleep(0.05) win32api.keybd_event(32, 0, win32con.KEYEVENTF_KEYUP, 0) last_trigger_time = current_time这样做的好处是：想触发翻页，就快速比个 3，然后放下；不用一直举着手。0.5 秒的冷却时间不会让操作变得迟钝，但能挡住 90% 的误触。
4.2 三种模式的状态机：b 捕获、r 重置、n 开启
程序的交互逻辑通过键盘事件切换状态，核心是一个布尔变量isBgCaptured和triggerSwitch。初始状态下，isBgCaptured为 0，程序只做画面显示，不做任何手势检测；按下 b 键，背景模型建立，isBgCaptured变为 1，开始检测指尖；按下 r 键，背景模型置空，回到初始状态；按下 n 键，triggerSwitch变为 True，此时检测到的手指数目才会触发键盘事件。
k = cv2.waitKey(10) if k == 27: break elif k == ord('b'): bgModel = cv2.createBackgroundSubtractorMOG2(0, bgSubThreshold) isBgCaptured = 1 elif k == ord('r'): bgModel = None triggerSwitch = False isBgCaptured = 0 elif k == ord('n'): triggerSwitch = True注意cv2.waitKey(10)的返回值。它每 10 毫秒读取一次键盘输入，返回的是按键的 ASCII 码。ord('b')取 b 的 ASCII 码，这样比较的是数字而非字符，避免编码问题。还有一个隐藏细节：cv2.waitKey只有在当前窗口获得焦点时才能收到按键，所以你必须先点击 OpenCV 弹出的任一窗口，再按这些快捷键。
这套状态机的设计思路值得借鉴：把「建模」和「触发」分成两个开关，避免摄像头刚启动背景还没建模就误触发键盘。如果你想加一个暂停功能，可以在 n 与 r 之间加一个 p 键，把triggerSwitch设回 False，这样就不用重置背景了。
4.3 打印的真实作用：它是指尖检测的调试工具
代码里在每帧检测完指尖后有一行print(cnt)，很多人以为只是单纯的手指数输出。在实际调试中，这行打印的意义远不止于此：当你把程序连接到其他软件（比如游戏、PPT）之前，先通过终端观察 cnt 是否稳定，可以快速判断是检测算法的问题还是键盘模拟的问题。
我会把它扩展成更完整的调试输出：
print(f"frame: {frame_id}, fingers: {cnt}, centers: {center}")帧号和重心坐标一起输出，能帮你判断指尖检测是不是发生了跳变。跳变的特征是相邻两帧手指数从 2 变成 4 又变成 2，而你的手根本没动——这种情况八成是距离法的 count > 40 阈值太小，或者高斯模糊核不够大。不要开着摄像头去猜，终端输出的数字是最诚实的反馈。
5. 避坑指南：OpenCV 版本、光照和误触这三座大山
5.1 坑一：OpenCV 4.0 后 findContours 返回值变化
现象：运行程序直接报错，提示not enough values to unpack (expected 3, got 2)。
原因：OpenCV 4.0 调整了findContours的接口，旧版本返回(image, contours, hierarchy)三个值，新版本只返回(contours, hierarchy)两个值。项目源代码按 OpenCV 3.4.0 写的三个返回值，在 4.x 下必然崩。
解决：两个方案任选。方案一是降级 OpenCV：pip install opencv-python==3.4.0.14，但要注意 3.4.0 与 Python 3.9 以上版本不兼容，如果你是 Python 3.10 以上的环境，这条路走不通。方案二更推荐：把解包改成自动适配。
cnt_result = cv2.findContours(thresh1, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) contours = cnt_result[0] if len(cnt_result) == 2 else cnt_result[1] hierarchy = cnt_result[1] if len(cnt_result) == 2 else cnt_result[2]这段逻辑的含义是：返回值长度是 2，直接取第 0 个作为轮廓；长度是 3，说明是老版本，轮廓在第 1 个位置。这样写的好处是你的代码在 3.4 到 4.8 的所有版本都能跑。
5.2 坑二：光照一换，手直接融进背景
现象：白天在窗边跑得好好的，晚上把灯一关，手在 binary 窗口里大面积变黑，或者背景里出现大片白色噪点，指尖数量乱跳。
原因：这个项目的背景模型是在按下 b 键那一刻固定的，后续完全不更新。白天和晚上的光线色温不同，MOG2 建的模型是基于白天的灰度分布，晚上灯光一变，所有像素的灰度值整体偏移，背景就和手一起变成了前景。光照突变时，整个画面的灰度分布都变了，背景模型必然失配。
解决：三条路。第一，固定你的环境，拉窗帘、固定灯光，让背景灰度在运行期间尽量不变。第二，把学习率从 0 改成-1，让 MOG2 自动更新背景模型——但这样手静止不动几秒，手也被融入背景，指尖会消失，需要你用动手机制来避免。第三，启动后重新按一下 r 再按 b，重新建模。这个方法最直接，但治标不治本。
我实际项目里是加了一个简单的光照补偿：取画面左上角固定区域的灰度均值，如果与初始背景的灰度均值偏差超过阈值，自动触发一次重新建模。
roi = frame[0:50, 0:50] current_brightness = np.mean(cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY)) if abs(current_brightness - initial_brightness) > 15: bgModel = cv2.createBackgroundSubtractorMOG2(0, bgSubThreshold) isBgCaptured = 1这里 initial_brightness 是按下 b 键时从同一个位置采的灰度均值，15 的阈值能容忍正常的缓慢光线漂移，又能及时响应灯光切换。
5.3 坑三：静止手势触发键盘连发
现象：只比了 3 根手指没有动，空格键被不停触发，翻页根本停不下来。
原因：代码没有防抖。triggerSwitch为 True 后，只要 cnt >= 3，每帧（约 33 毫秒）都执行一次keybd_event，每秒触发 30 次按键。这在操作系统层面是合法的，但目标程序会认为你按住空格没松手。
解决：加入冷却时间，我自己用的是 0.5 秒阈值，在前文有过代码。这里再补充一点，如果你希望手势保持时只触发一次，还可以加状态锁：
prev_cnt = 0 if cnt != prev_cnt and cnt >= 3: # 触发按键 prev_cnt = cnt逻辑是只有手指数发生变化时才触发，手势保持不动则不产生新事件。这个方案适合「比 3 翻页、比 2 返回」的场景，因为每次换手势才需要一次按键。如果同一个手势要连续触发多次（比如比 3 连续翻多页），冷却时间方案更合适。
5.4 坑四：mask 窗口全是黑的
现象：按 b 键之后，mask 窗口没有任何白色区域，binary 窗口里也看不到手。
原因：多半是背景建模时手已经在画面里。MOG2 建模时如果手是静止的，它会被当成背景的一部分；你把手拿走再比手势，背景模型里那个位置是手的灰度值，而新进来的手也是那个灰度值，差分结果为零。另一个常见原因是cap_region_x_begin=0.5，你的手在画面左侧，压根不在检测区域内。
解决：第一步，按 b 之前把手从摄像头画面里移开，等 1 秒再按；第二步，确认手在画面右侧的红色矩形框内；第三步，如果还是黑的，按 r 重置再重新按 b，多试两次。还不行就把 threshold 滑条往左拖，降低到 30 左右，让更多的灰度差异被识别为前景。
5.5 坑五：同事的电脑上跑不起来
现象：代码在自己的机器上一切正常，换一台电脑报错ModuleNotFoundError: No module named 'win32api'，或者摄像头一直黑屏。
原因：win32api 是 pywin32 库提供的，不是 Python 标准库，也不是 OpenCV 自带的。pip install pywin32不装，这个程序在 Windows 上就跑不了。摄像头黑屏则可能是电脑自带摄像头被占用，比如 Zoom、微信等软件正在使用摄像头，VideoCapture(0)抢不到资源。
解决：在项目文件头部加一个依赖检查：
try: import win32api import win32con except ImportError: raise SystemExit("Missing pywin32, run: pip install pywin32")摄像头被占用的问题，关掉所有可能占用摄像头的软件，然后重启 Python 进程。如果你用的是外接摄像头，把VideoCapture(0)改成VideoCapture(1)，设备索引从 0 开始，0 通常是内置摄像头，1 是第一个外接摄像头。设备忙时 OpenCV 不会报错，只是ret为 False，可以在camera.read()后面加个判断：
ret, frame = camera.read() if not ret: print("Failed to read from camera, check if it is occupied") continue6. 让指尖检测更准的验证方法：单步回放与边界数据
整个程序最让我头疼的不是算法本身，而是「感觉不对但说不清哪里不对」。后来我养成一个习惯：不管项目多小，都要给自己留一条单步验证的路。具体做法是把摄像头输入换成本地视频或图片序列，这样才能复现同一组手势。做法很简单，把camera = cv2.VideoCapture(0)换成camera = cv2.VideoCapture("test.avi")，代码其他部分不用改。本地视频不受光线、手的位置影响，同一帧跑到那里，检测结果应该完全相同。如果两次跑同一帧结果不一样，那一定是程序里有隐式状态泄漏。
验证手指数目有个更系统的办法：录制 5 段短视频，每段固定比 1 到 5 根手指，每段 10 秒。跑完程序后统计每帧输出的 cnt 分布，看这 10 秒内 dominant（出现最多的手指数）是不是和手势一致。比如比 3 的手指，理想输出是大部分帧 cnt 等于 3，偶尔跳到 4 或 2 属于正常，如果超过一半的帧都不在 3 上，就要回头调 threshold 或者 blurValue。我一般会用一个小脚本统计：
from collections import Counter counts = Counter(all_cnts) total_frames = len(all_cnts) accuracy = counts[expected_fingers] / total_frames print(f"accuracy: {accuracy:.2%}")把准确率跟 80% 这个基准比：高于 80%，这个手势可以实际使用；低于 80%，先别急着上键盘模拟，回去调参。影响准确率的因素按权重排序，第一是光照，（环境一致的条件下能显著提精度）；第二是 blurValue，核太大会把相邻手指的边缘糊在一起；第三是 threshold，它决定手指边缘的完整度；第四才是距离法的 count 参数。
另一个简洁有效的验证法是画轮廓点轨迹。把每一帧的指尖坐标存进列表，跑完一组手势后一次性画出来，你会直观地看到指尖检测的稳定性。指尖应该是几个清晰的簇，而不是一大片散点：
import matplotlib.pyplot as plt xs = [p[0] for p in tip_history] ys = [p[1] for p in tip_history] plt.scatter(xs, ys, s=1) plt.show()指尖坐标如果散得像噪点，说明轮廓不稳定，优先检查高斯模糊核和 MOG2 的前景阈值，而不是去调指尖检测逻辑。如果簇很清晰但位置漂移，那多半是摄像头自动白平衡在起作用，可以考虑用camera.set(cv2.CAP_PROP_WHITE_BALANCE_BLUE_U, 0)禁用自动白平衡。
从那以后，我每次拿到这类视觉检测项目，都会强制自己先录一段固定视频再跑，不把时间浪费在「这次手放的位置跟上次不一样」这种不可控变量上。这个方法帮我在这个项目里至少省出了半天调试时间，希望你也能用它少走弯路。希望帮到你。
本文还有配套的精品资源，点击获取