import mediapipe as mpimport cv2import timecap = cv2VideoCapture0mpHance = mpsolutionshands # 选择策略 -- 监测手的模型mpDraw = mpsolutionsdrawing_utilshandLmsStyle = mpDrawDrawingSpeccolor=0 0 255 thickness=5

为了实现识别石头剪刀布的功能，我们需要对手势进行分类。在本例中，我们将石头剪刀布分别对应为"0"、"1"、"2"三个数字。

具体实现思路如下：

1.在手部关键点坐标中，我们可以关注手指的位置和手指之间的角度。

2.通过计算手指的位置和角度，可以判断出手势是石头、剪刀还是布。

3.在本例中，我们可以采用简单的规则来分类手势：

• 当大拇指向上，且其他手指向前伸时，判断为“石头”手势；
• 当大拇指向下，且食指向上，判断为“剪刀”手势；
• 当大拇指向下，且其他手指向前伸时，判断为“布”手势。

4.识别出手势后，我们可以在屏幕上显示对应的文字，例如“石头”、“剪刀”、“布”等。

下面是修改后的代码：

import mediapipe as mp import cv2 import time

cap = cv2.VideoCapture(0) mpHance = mp.solutions.hands # 选择策略 -- 监测手的模型 mpDraw = mp.solutions.drawing_utils handLmsStyle = mpDraw.DrawingSpec(color=(0, 0, 255), thickness=5) # 设定点的样式 颜色 粗细,半径 handConStyle = mpDraw.DrawingSpec(color=(0, 255, 2), thickness=10) # 设定线的样式 颜色 粗细,半径 pTime = 0 cTime = 0 hands = mpHance.Hands(static_image_mode=False, # 影片 false 图片 True max_num_hands=2, # 最大手识别数量 model_complexity=1, # 模型的复杂度 只能是 0 1 越高越准 min_detection_confidence=0.9, # 识别的精准度 min_tracking_confidence=0.5) # 追踪的严谨度

while True: ret, img = cap.read() # 读取到的图片都是bgr的图片 ，故需要将其转换为RGB的图片

if ret:
    imgRGB = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    result = hands.process(imgRGB)  # 侦测
    # print(result.multi_hand_landmarks)  结果为 三个坐标 XYZ
    imgHeight = img.shape[0]  # 获取视窗的高度
    imgWidth = img.shape[1]  # 获取视窗的宽度
    if result.multi_hand_landmarks:
        for handLms in result.multi_hand_landmarks:  # 画出所有点和线
            mpDraw.draw_landmarks(img, handLms, mpHance.HAND_CONNECTIONS, handLmsStyle, handConStyle)

            # 计算手指位置和角度
            thumb = handLms.landmark[4]
            index = handLms.landmark[8]
            middle = handLms.landmark[12]
            ring = handLms.landmark[16]
            pinky = handLms.landmark[20]

            # 判断手势
            if thumb.y < index.y and middle.y < index.y and ring.y < index.y and pinky.y < index.y:
                # 石头
                cv2.putText(img, "Rock", (20, 40), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 2)
            elif thumb.y > index.y and thumb.y > middle.y and thumb.y > ring.y and thumb.y > pinky.y and index.y < middle.y:
                # 剪刀
                cv2.putText(img, "Scissors", (20, 40), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 2)
            elif thumb.y > index.y and middle.y > index.y and ring.y > index.y and pinky.y > index.y:
                # 布
                cv2.putText(img, "Paper", (20, 40), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 2)

    cTime = time.time()
    fps = 1 / (cTime - pTime)
    pTime = cTime
    cv2.putText(img, f"FPS : {int(fps)}", (20, 80), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 2)
    cv2.imshow('img', img)

if cv2.waitKey(1) == ord('q'):
    break

cap.release() cv2.destroyAllWindows()

在上述代码中，我们通过计算大拇指和其他手指的位置和角度来判断手势，并在屏幕上显示对应的文字。注意，这种方法并不是非常精确，而且对手势的识别还要考虑更多因素，例如手的旋转、手的大小和手的位置等。因此，在实际应用中，我们需要根据实际情况进行调整，以达到更好的识别效果