简介：这份基于Python+OpenCV的手势识别系统源码包，适合计算机、数学、电子信息等专业的课程设计、期末大作业或毕业设计，也适用于已掌握Python基础并希望深入图像处理方向的学习者。资源共12个文件，包含4个Python核心源文件，覆盖手势采集、背景去除、轮廓提取等关键模块；7张PNG图片为系统界面与运行效果截图，可直观查看自定义UI布局；另有1个Markdown项目说明文档，辅助理解整体结构与调用逻辑。压缩包总大小仅10.27MB，内容紧凑、代码可直接运行调试，上手门槛适中。目前已有281人学习参考，资料附带视频教程与自定义界面操作演示，读者可对照教程快速部署环境，并在此基础上扩展识别手势种类或优化交互逻辑，是理解OpenCV视觉处理流程与界面集成方法的实用参考。

1. 手势识别系统能做什么：拿到这套源码后的第一件事，不是跑代码，是定边界

基于 Python+OpenCV 的手势识别系统，在课程设计、毕业设计和个人作品集里出现频率极高，核心诉求只有一个：在摄像头画面里把“手”和“几根手指”实时认出来，再配一个看得见的 UI 界面，让演示不至于只是黑框命令行。这类 zip 包一般会打包完整源码、项目说明文档、自定义 UI 操作界面和视频教程，对刚入门的 Python 开发者来说，价值不在于代码本身有多深，而在于它是一条从摄像头取流、图像处理到界面交互都闭环的完整链路。但拿到手先别急着跑，你得先弄清楚这套方案能识别什么、在什么条件下有效、哪里是硬伤。它解决的是静态手势识别的演示与落地验证问题，不是动态手势理解。

2. 方案选型：OpenCV 打底，MediaPipe 做增强，为什么这道题用前者更合适

2.1 OpenCV 与 MediaPipe 的取舍：三个维度决定最终选择

很多人在做手势识别时，第一步就会纠结：到底用 MediaPipe 直接拿 21 个关键点，还是老老实实用 OpenCV 做肤色检测加轮廓分析。我这里先给结论——如果目标是“理解原理、可演示、能自己调参数”，OpenCV 方案更适合作为这套系统的技术底座；MediaPipe 更适合做特征提取的前置步骤，而不是替代整套识别逻辑。

原因从三个维度看。

依赖体积上，OpenCV 只需要 opencv-python 和 numpy，安装包几十兆，纯本地推理，不依赖网络服务；MediaPipe 虽然也自带模型，但首次运行要下载模型权重，部分环境下装起来还容易遇到 protobuf 版本冲突。可解释性上，OpenCV 方案的每一环节都是可干预的：肤色范围参数能看到掩膜变化，轮廓筛选能看到误检区域，指尖计数逻辑用凸包缺陷的深度阈值来控制；MediaPipe 则是一个黑匣子，你只知道输出 21 个点，但不知道为什么在某个光照下会抖。实时性上，OpenCV 这套流程在普通笔记本 CPU 上跑 30 帧问题不大，MediaPipe 在 CPU 上的关键点推理大约能跑 20 到 30 帧，两者差距不大，但 OpenCV 的代码路径更短，排查起来更快。

这套源码选择 OpenCV，我认为是合适的选择。它把“手势识别”拆成了摄像头输入、肤色分割、轮廓提取、凸包分析、指尖计数这几个教学型模块，任何一环出问题都能单独调试。下面按这条链路把每一块讲透。

2.2 摄像头输入与帧预处理：VideoCapture 打开设备的正确姿势

整个系统的第一步是拿到摄像头画面。别小看这一步，项目说明文档里最容易被忽略的就是摄像头索引问题。默认代码通常写cv2.VideoCapture(0)，但在笔记本上，0 往往是内置摄像头；如果外接 USB 摄像头，索引可能是 1。设备打开失败时 OpenCV 不报异常，只返回一个空帧，新手最容易在这一步翻车。

视频帧读取的常见写法是这样的：

import cv2 # 优先尝试索引 0，失败后自动切换到 1 cap = cv2.VideoCapture(0, cv2.CAP_DSHOW) # Windows 下用 DirectShow 加快打开速度 if not cap.isOpened(): print("[WARN] camera 0 failed, try index 1") cap.open(1) # 固定分辨率，降低后续处理压力 cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) # 帧率限制在 25 帧左右，避免 UI 刷新过载 cap.set(cv2.CAP_PROP_FPS, 25) ret, frame = cap.read() if not ret or frame is None: raise RuntimeError("No valid frame from camera") # 做一次水平翻转，让画面呈镜像，与用户直觉一致 frame = cv2.flip(frame, 1)

逻辑说明：CAP_DSHOW是 Windows 平台的 DirectShow 后端，能明显缩短摄像头初始化时间，不加这个参数时打开摄像头常需要 2 到 3 秒黑屏。设置 640x480 是因为这个分辨率对肤色检测和轮廓分析完全够用，同时能降低每帧处理耗时，给 UI 界面和识别逻辑留出余量。水平翻转很关键——不翻转的话，你抬手往左，画面里的手往右，演示效果非常反直觉。

补充一个细节：cap.read()返回两个值，第一个是布尔值ret，第二个是画面数据。项目说明文档里如果只判断frame是否为空，在摄像头被占用时会漏判，所以正确顺序是先判断ret再判断frame is None。

2.3 HSV 肤色范围：手势识别里最容易翻车的参数

肤色检测是整个系统里“玄学”浓度最高的模块。很多初学者直接用 RGB 范围过滤肤色，实际做出来效果惨不忍睹——因为 RGB 三个通道对光照变化太敏感，同样的手在窗边和灯光下，RGB 值能偏出好几个色阶。HSV 色彩空间把色相（H）、饱和度（S）、明度（V）拆开，肤色主要落在固定的 H 区间里，对明暗变化的容忍度远高于 RGB。

我一般使用的初始肤色范围是：

转换成 NumPy 数组如下：

import numpy as np hsv_lower = np.array([0, 40, 50]) hsv_upper = np.array([20, 170, 255]) # 也可以加入 YCrCb 第二路检测，提升暗光下的召回率 ycrcb_lower = np.array([0, 133, 77]) ycrcb_upper = np.array([255, 173, 127])

参数说明：H 通道的 0 到 20 覆盖的是红黄之间的肤色区间，亚洲人肤色通常落在 10 到 20 之间。S 下界设 40 是为了把灰度背景排除掉，V 下界设 50 是为了过滤掉手部阴影。YCrCb 范围是第二道保险，在暗光场景下 HSV 容易丢肤色，Cr 133 到 173 的区间对肤色有更强的抗噪能力。实际项目里通常把两路掩膜做一个“或”合并，但要注意，这会带来更多背景误检区域，需要后续形态学操作来清理。这个值只是起点，后面第 5 章我会专门说光照变化时怎么调。

3. 核心实现拆解：从肤色区域到手势计数的一整条算法链

3.1 肤色掩膜与形态学清理：三位一体的降噪步骤

拿到 HSV 掩膜之后，画面里除了手，通常还会混入类似肤色的背景物体——木桌、纸箱、皮肤色外套。直接对这个二值图做轮廓检测，你会得到十几个候选轮廓，根本分不清哪个是手。所以必须先做形态学清理，用“中值滤波 + 开运算 + 闭运算”三连组合。

import cv2 import numpy as np def get_skin_mask(bgr_frame): # BGR 转 HSV hsv = cv2.cvtColor(bgr_frame, cv2.COLOR_BGR2HSV) # HSV 范围内的肤色掩膜 mask_hsv = cv2.inRange(hsv, (0, 40, 50), (20, 170, 255)) # YCrCb 第二路检测，用于暗光补偿 ycrcb = cv2.cvtColor(bgr_frame, cv2.COLOR_BGR2YCrCb) mask_ycrcb = cv2.inRange(ycrcb, (0, 133, 77), (255, 173, 127)) # 合并两路掩膜 mask = cv2.bitwise_or(mask_hsv, mask_ycrcb) # 中值滤波去掉孤立噪点 mask = cv2.medianBlur(mask, 5) # 开运算：先腐蚀后膨胀，消除背景小噪点 kernel = np.ones((5, 5), np.uint8) mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel, iterations=2) # 闭运算：先膨胀后腐蚀，填补手部内部的空洞 mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel, iterations=2) return mask

逻辑说明：bitwise_or合并两路掩膜的做法牺牲了一点精确度换召回率，肤色区域在暗光下会大幅缩小，双路检测能兜住一部分漏检。medianBlur的核大小是 5，太大容易把小拇指区域抹平，太小又滤不掉椒盐噪点。开运算迭代 2 次是为了把背景零星的肤色噪点彻底腐蚀掉；闭运算迭代 2 次则是让手指缝隙之间的断裂重新连起来——这一步直接影响后面轮廓的完整性，手部边缘如果断成一截一截的，凸包分析会完全失真。

3.2 最大轮廓与凸包缺陷：指尖计数不是数凸包顶点，而是数凹陷点

掩膜清理完之后，常见的做法是提取所有轮廓，然后取面积最大的那个作为手部区域。取最大面积的逻辑很简单：正常情况下，手是画面里最大的肤色连通区域。但这里有个容易踩的坑——如果手臂也进入了画面，最大轮廓会包含整个手臂区域，凸包分析时会把手臂侧边也纳入计算。所以很多实现会在轮廓筛选时加一个“只保留轮廓顶部 40% 区域”的截断操作，把手臂部分切掉再分析。

def find_hand_contour(mask): # 只取外部轮廓，减少层级处理开销 contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) if not contours: return None # 按面积降序，取最大轮廓 largest = max(contours, key=cv2.contourArea) # 面积太小视为误检 if cv2.contourArea(largest) < 3000: return None return largest

拿到最大轮廓之后，下一步是计算凸包和凸包缺陷。凸包是包住轮廓的最小凸多边形，而凸包缺陷是轮廓凹陷进去的区域。手指之间必然存在凹陷点——食指和中指之间、中指和无名指之间都是“山谷”。所以，数手指的正确方式是数凸包缺陷的个数，然后加 1（大拇指是凸出来的，不算缺陷，需要单独用几何关系判断）。

def analyze_hand(contour): # 计算凸包，返回索引序列 hull = cv2.convexHull(contour, returnPoints=False) # 计算凸包缺陷 defects = cv2.convexityDefects(contour, hull) if defects is None: return 0 finger_count = 0 for i in range(defects.shape[0]): s, e, f, d = defects[i, 0] start = tuple(contour[s][0]) # 凹陷起点 end = tuple(contour[e][0]) # 凹陷终点 far = tuple(contour[f][0]) # 凹陷最远点 depth = d / 256 # OpenCV 中深度以 256 为单位 if depth > 15: # 深度阈值，过滤小噪声 finger_count += 1 # 缺陷数 + 1 就是展开的手指数 return finger_count + 1

逻辑说明：returnPoints=False让凸包返回的是轮廓点的索引序列，convexityDefects需要用索引序列而不是坐标点序列；这是新手最容易写错的地方。depth的单位是 256，OpenCV 的缺陷深度是定点数，直接使用需要除以 256。深度阈值 15 的含义是：凹陷至少要深到 15 个像素才算一个有效指缝。这个值直接影响计数灵敏度，后面第 5 章我会展开讲它怎么按画面尺寸调整。

3.3 深度阈值与手指计数：几何判断背后那个隐藏灵敏度

很多实现把手指计数直接写成“凸包缺陷数 + 1”，这是最粗糙的版本，实际效果很不稳定。问题出在：手掌侧边与大拇指之间的凹陷、手臂与手背交汇处的凹陷都会被算进来，这会让计数在 4 和 6 之间乱跳。

我常用的做法是加一道“角度校验”，只统计指缝方向朝上的缺陷。具体来说，计算凹陷点far到两端点start、end的夹角，如果夹角小于 40 度，说明这是一个真正的指缝；如果夹角大于 90 度，通常是掌缘或手臂连接处的伪凹陷。

import math def is_valid_finger_gap(start, end, far, depth_threshold=15): # 计算向量 far->start 和 far->end 的夹角 v1 = (start[0] - far[0], start[1] - far[1]) v2 = (end[0] - far[0], end[1] - far[1]) len1 = math.hypot(v1[0], v1[1]) len2 = math.hypot(v2[0], v2[1]) if len1 == 0 or len2 == 0: return False dot = v1[0] * v2[0] + v1[1] * v2[1] cos_angle = dot / (len1 * len2) cos_angle = max(-1.0, min(1.0, cos_angle)) angle = math.degrees(math.acos(cos_angle)) return angle < 40

参数说明：角度上限 40 是一个经验值。指缝的夹角通常在 20 到 35 度之间，而掌缘弧度处的夹角在 70 度以上，两者差距明显，选 40 作为切分点有较强的容错性。如果发现识别出的手指数偏多，可以先把阈值调到 35 试试；如果偏少，则调到 45。这个参数在 UI 界面上做成滑块最有价值，因为不同手型和不同拍摄距离下，最优角度阈值差异很大。加上角度过滤后，这套几何规则的鲁棒性才算真正够用。

4. 自定义 UI 操作界面：把算法接到面板上，才算一套完整系统

4.1 UI 框架怎么选：Tkinter 与 PyQt5 的实际差距

标题里写了“自定义 UI 操作界面”，这说明交付的不只是一段跑在命令行里的脚本，而是一个能演示、能操作的可视化工具。常见的选择有两套：Tkinter 和 PyQt5。Tkinter 是 Python 标准库，不需要额外安装，打包体积小，但控件样式朴素，做摄像头实时画面嵌入时只能靠Label组件反复更新图片，交互反馈比较生硬。PyQt5 需要额外安装（pip install pyqt5），打包后体积大约多出 80 到 100 兆，但界面美观、控件齐全，支持槽函数机制和线程信号，适合把识别逻辑放到后台线程。

这套系统如果是给别人演示用的，我更推荐 PyQt5——不是因为画面多好看，而是因为 QLabel 显示图片的刷新机制比 Tkinter 流畅得多，而且用 QThread 做摄像头采集不会和 UI 主线程打架。但如果只是自己学习调试，Tkinter 完全够用，省去一堆兼容性问题。

4.2 用 Tkinter 嵌入摄像头画面：after 调度比 while True 稳

这里给一个 Tkinter 版的完整嵌入方案。很多初学者会写一个while True循环来读摄像头，然后塞进 Tkinter 的主循环里，结果界面直接卡死——因为while True阻塞了 Tkinter 的事件循环，按钮点击、窗口关闭全部失效。正确的做法是用root.after(30, update_frame)定时刷新。

import tkinter as tk import cv2 from PIL import Image, ImageTk class HandGestureApp: def __init__(self, root): self.root = root self.cap = cv2.VideoCapture(0, cv2.CAP_DSHOW) self.cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) self.cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) # 画面显示控件 self.video_label = tk.Label(root, text="Camera Preview") self.video_label.pack() # 手势结果标签 self.result_label = tk.Label(root, text="Gesture: --", font=("Arial", 20)) self.result_label.pack() # 启动定时刷新，间隔 30 毫秒 self.root.after(30, self.update_frame) def update_frame(self): ret, frame = self.cap.read() if ret: # 送入识别函数，返回手势标签 gesture = self.detect(frame) # BGR 转 RGB 后再转 ImageTk frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) img = Image.fromarray(frame_rgb) imgtk = ImageTk.PhotoImage(image=img) self.video_label.config(image=imgtk) self.video_label.image = imgtk self.result_label.config(text=f"Gesture: {gesture}") # 继续安排下一次刷新 self.root.after(30, self.update_frame)

逻辑说明：after(30, update_frame)的意思是让 Tkinter 在 30 毫秒后再次调用update_frame，这样视频刷新率大约是 33 帧每秒，和摄像头帧率基本匹配。注意self.video_label.image = imgtk这行不能省——如果不保留引用，PhotoImage会被垃圾回收，画面显示出来一片空白。这是 Tkinter 嵌入摄像头画面最经典的坑，几乎每个第一次写的人都会撞上。

4.3 把可调参数全部上放到界面：阈值滑杆与计数的实时反馈

真正好用的手势识别 UI，不只是显示画面和结果，而是把前面提到的那几个敏感参数暴露成滑杆，让使用者在演示现场直接调。这样做的价值很大：光照环境变了、摄像头角度变了、人的手型不同了，depth_threshold和angle_threshold都需要调，如果每次改代码重启程序，演示就翻车了。

from tkinter import Scale, HORIZONTAL, IntVar self.depth_var = IntVar(value=15) self.angle_var = IntVar(value=40) # 深度阈值滑杆 depth_scale = Scale( self.root, from_=5, to_=40, orient=HORIZONTAL, label="凹陷深度阈值", variable=self.depth_var, command=self.on_param_change ) depth_scale.pack() # 角度阈值滑杆 angle_scale = Scale( self.root, from_=20, to_=70, orient=HORIZONTAL, label="指缝角度阈值", variable=self.angle_var, command=self.on_param_change ) angle_scale.pack() def on_param_change(self, _=None): # 滑块变化时同步更新全局参数 self.depth_threshold = self.depth_var.get() self.angle_threshold = self.angle_var.get()

参数说明：深度阈值滑杆的from_=5, to_=40覆盖了从“过于灵敏”到“过于迟钝”的区间，5 时几乎所有微小的轮廓凹陷都会被计为指缝，40 时只有手指充分张开才会被识别。角度阈值滑杆的 20 到 70 则是覆盖了指缝夹角和掌缘夹角的整个分布范围。两个滑杆并排放在 UI 底部，下方再放一个实时识别的文字标签，这样调试时你拖动滑杆，画面的识别结果立刻变化，参数调整从“盲调”变成了“所见即所得”。

5. 运行避坑：复现这套系统最常见的 5 个问题

5.1 安装 opencv-python 时把 numpy 版本搞崩了

现象：执行pip install opencv-python后，下次启动程序报ImportError: numpy.core.multiarray failed to import。

原因：opencv-python 对 numpy 有严格的版本下限要求，但 pip 在解析依赖时有时会先装新版本的 numpy，再装对旧版本有依赖的包，导致 numpy 被降级。最常见的场景是电脑里原本装了 numpy 1.24，opencv-python 装完后 numpy 降到 1.21，其他科学计算包直接崩溃。

解决：先卸载重装，固定版本组合。用pip install numpy==1.24.4和pip install opencv-python==4.8.0.76这套组合在多数 Windows 和 Linux 环境中是稳定的。安装后用python -c "import cv2; print(cv2.__version__)"验证，不要只看pip show的输出。

5.2 摄像头打不开：黑屏或一直提示 index out of range

现象：程序启动后窗口正常弹出，但画面区域一片漆黑，控制台偶尔输出[ WARN] Cannot open camera；或者cap.read()一直返回(False, None)。

原因：摄像头被其他程序占用（如腾讯会议、OBS），或者是有多个摄像头时索引选错。笔记本的内置摄像头索引未必是 0，某些型号的摄像头会在系统里注册成 2 或 3。

解决：先关掉所有占用摄像头的程序，再用下面的脚本扫描全部可用索引：

import cv2 for idx in range(5): cap = cv2.VideoCapture(idx, cv2.CAP_DSHOW) if cap.isOpened(): ret, frame = cap.read() if ret: print(f"index {idx}: OK, shape={frame.shape}") cap.release()

扫描结果里第一个“OK”的索引就是可用的。如果全部失败，检查系统设置里的隐私权限，Windows 在“设置→隐私→摄像头”里关闭了应用访问权限时，OpenCV 拿不到画面。在 Windows 下CAP_DSHOW能绕过一部分权限延迟，但系统级开关关闭时它也无能为力。

5.3 UI 一打开就卡成幻灯片：把推理和显示塞进了一个线程

现象：视频画面每隔 3 到 5 秒才刷新一帧，拖动窗口时整个界面像冻结了一样，但 CPU 占用率只有 30% 左右。

原因：Tkinter/PyQt 的 UI 主线程里直接执行了cap.read()和全套识别算法。cap.read()本身在 Windows 下有 100 到 300 毫秒的阻塞等待，加上肤色检测、轮廓分析和凸包计算，单帧总耗时可能达到 200 到 400 毫秒，把 UI 的事件循环堵死了。

解决：摄像头采集和识别全部放到后台线程，UI 主线程只负责从队列里取结果并刷新画面。用queue.Queue传数据，线程里循环读帧，识别完把结果放入队列，UI 用after定期取队列。核心代码片段：

import threading import queue frame_queue = queue.Queue(maxsize=2) def capture_worker(): cap = cv2.VideoCapture(0, cv2.CAP_DSHOW) while True: ret, frame = cap.read() if ret: if frame_queue.full(): frame_queue.get_nowait() # 丢旧帧保新帧 frame_queue.put(frame) threading.Thread(target=capture_worker, daemon=True).start()

注意maxsize=2是个保险设计：如果 UI 来不及处理，队列满就直接丢旧帧，保证显示的是最新画面，而不是堆积延迟越来越大。用这个方案，单线程 25 帧的识别任务能轻松跑到 30 帧以上。

5.4 换了个灯光环境，手势数一下就乱了

现象：白天窗边测试，五指计数一直正确；晚上开台灯，手指从 5 变成 3，再变成 7；同一只手在画面中动一动，数值就乱跳。

原因：肤色检测的 HSV 阈值是固定值，台灯的色温和照度会让手部肤色偏红或偏绿，超出固定的 H 范围。V 通道对亮度敏感，光线不足时手部区域整体变暗，掩膜断裂，轮廓碎成好几块。

解决：把 HSV 的下界和上界改成滑杆暴露到 UI 上，现场实时调。更进一步的方案是加一道“自动校准”，在程序启动时让用户把手掌放在画面中央，程序采样该区域的平均 H 值，然后以该值为中心自动生成上下界。自动校准的逻辑不复杂，就是用一个 ROI 矩形取平均值：

def auto_calibrate_skin(frame, roi=(200, 150, 240, 330)): x1, y1, x2, y2 = roi region = frame[y1:y2, x1:x2] hsv_region = cv2.cvtColor(region, cv2.COLOR_BGR2HSV) h_mean = int(hsv_region[:, :, 0].mean()) h_lower = max(0, h_mean - 10) h_upper = min(180, h_mean + 10) return np.array([h_lower, 40, 50]), np.array([h_upper, 170, 255])

参数说明：roi的坐标是 (x1, y1, x2, y2)，分别对应矩形左上角和右下角。校准区域必须确保手部占满且没有背景，否则采到的平均值会被背景带偏。H 范围取均值正负 10，是因为同一只手的肤色 H 值波动通常在 5 以内，正负 10 留了余量但不会把相近颜色的背景放进来。自动校准是这套系统从“能跑”变成“能用”的关键一步。

5.5 手指并拢时计数偏小，张开却不稳定

现象：五指并拢时识别成 2 或 3，张开时在 4 和 6 之间跳，中指和无名指之间总被重复计数。

原因：手指并拢时指缝凹陷深度浅，低于depth_threshold，直接被过滤掉；手指张开时，中指点凸起导致两个凹陷点之间距离过短，同一个指缝被算成两个缺陷。

解决：并拢问题调深度阈值，从 15 下调到 10，同时配合前面说的角度过滤，掌缘伪缺陷会被角度条件挡掉。张开抖动问题则是加了“帧间去抖”后明显改善——不是每一帧都更新计数，而是连续 5 帧识别结果相同才更新 UI。单纯调参数解决不了抖动，去抖是必做的：

stable_count = 0 last_gesture = 0 current_gesture = 0 def update_gesture_with_debounce(gesture): global stable_count, last_gesture, current_gesture if gesture == last_gesture: stable_count += 1 else: stable_count = 0 last_gesture = gesture if stable_count >= 5: current_gesture = gesture

逻辑说明：stable_count累计连续重复次数，5 帧约等于 0.2 秒，这个延迟感知不到，但能滤掉大部分单帧误检。注意去抖逻辑放到 UI 线程之外算，否则每次更新前都要检查一次，会拖慢主循环。

6. 进阶验证：从单帧静态识别到连续视频的稳定性调优

6.1 用本地视频替代摄像头，先跑通回归测试

每次改完参数都对着摄像头试，效率太低，而且现场环境不可控。我一般会先录一段 10 秒左右的测试视频，包含五指、三指、握拳和挥手这几个动作，然后离线跑识别，逐步打印每一帧的计数结果。把VideoCapture(0)换成VideoCapture('test.mp4')即可，其他代码不动。这样调参时可以随时回滚对比，不用反复在摄像头前比划。

6.2 加一个手势稳定性置信度输出

在 UI 上除了显示手势标签，额外显示一个“置信度”数字，用连续帧一致性的占比来计算。统计最近 30 帧里与当前手势相同的帧数占比，低于 60% 时在界面上用黄色字体提示“不稳定”。这比单纯看数字跳动直观得多，现场演示时如果有闪烁，你能立刻知道是识别抖动还是画面丢帧。

6.3 后续升级方向：从几何规则到数据驱动的衔接

这套 OpenCV 方案的上限是清晰背景下 5 类静态手势识别，如果要做动态序列识别或复杂背景鲁棒，下一步可以考虑把凸包缺陷、轮廓面积、指尖角度这些手工特征提取出来，喂给一个轻量级决策树或逻辑回归模型；再往后才是 MediaPipe 关键点加神经网络分类的路线。yolo 手势识别数据集也是可参考方向，但需要标注成本和 GPU 训练环境，不是这个项目该承受的复杂度。

我自己最早做手势识别时，也迷信 MediaPipe 一步到位，结果被关键点抖动和模型不可解释性折磨了很久。后来换成 OpenCV 这套“笨办法”，从肤色阈值到凸包缺陷一步步调，反而真正理解了每帧画面在发生什么。这种理解是任何教程视频给不了你的，也是你拿着这套源码做二次开发时最值钱的东西。希望帮到你。

本文还有配套的精品资源，点击获取