在传统方法中有很多文章提取了多种特征例如HOG Haar肤色等再接一些分类器例如SVM分割或识别手势。这里面就涉及特征去除和选取。

特征去除和选取是机器学习中的一个重要步骤，其目的是筛选出对分类或回归任务最有用的特征，以提高模型的准确性和泛化能力。

特征去除可以通过以下几种方法实现：

1. 方差过滤：删除方差低于某一阈值的特征，因为这些特征对分类或回归任务的影响较小。

2. 相关性过滤：删除与目标变量相关性较低的特征。

3. 正则化方法：通过L1或L2正则化，使得一些特征的权重趋近于零，从而达到特征去除的效果。

特征选取可以通过以下几种方法实现：

1. 直接使用领域知识选择特征。

2. 基于模型的特征选取：通过训练一个分类或回归模型，选择对模型有重要作用的特征。

3. 基于统计学方法的特征选取：使用统计学方法，如卡方检验、互信息等，选取与目标变量相关性最高的特征。

在手势识别中，选择合适的特征对于提高识别准确率非常重要。常用的特征包括手部形状、手指位置、手指运动轨迹等。具体的特征选择方法需要根据具体的数据集和任务进行调整和优化。