MediaPipe 实现实时手势数字识别（0-10 手势计数）完整代码 + 原理讲解

一、项目简介

本文基于 Google 开源的 MediaPipe 手部识别方案，结合 OpenCV 调用本地摄像头，通过手掌 21 个手部关键点坐标计算距离，判断伸直手指数量，实现实时 0-10 数字手势识别。 无需深度学习模型训练，开箱即用，运行速度快，适合手势交互、简易数字识别、课堂手势计数等轻量化场景。

二、环境依赖安装

只需要安装两个库，命令行执行：

bash

运行

pip install opencv-python mediapipe

• opencv-python：摄像头读取、画面渲染、图像色彩转换
• mediapipe：Google 手部关键点检测框架，内置轻量化手部识别模型，支持单 / 双手检测

三、核心原理讲解

1. MediaPipe 手部关键点分布

手掌一共输出 21 个归一化坐标点（x/y 范围 0~1），本代码用到关键点位：

• 0 号点：手掌根部（腕关节）
• 4 号点：大拇指指尖
• 5 号点：食指根部关节
• 8 号点：食指指尖
• 12 号点：中指指尖
• 16 号点：无名指指尖
• 20 号点：小指指尖

2. 手指伸直判断逻辑

1. 基准长度校准用腕关节 0 点与食指根部 5 点的距离作为手掌基准长度，消除远近、手掌大小带来的坐标偏差：base = distance_0_5 / 0.6
2. 四根常规手指（食 / 中 / 无名 / 小指）计算腕部 0 点到各指尖的欧式距离平方，若距离大于基准值，判定手指伸直，flag 计数 + 1；
3. 大拇指特殊判定大拇指活动方式与其余四指不同，改用食指根部 5 点到大拇指 4 点距离做阈值判断，阈值缩小为base*0.3；
4. 手势映射flag 代表伸直手指总数，对应列表gesture = ["none", "one", "two"...,"ten"]，实时打印对应数字手势。

3. 图像预处理说明

MediaPipe 模型要求输入 RGB 图像，但 OpenCV 读取摄像头默认为 BGR 格式，因此需要两次色彩转换：

1. 摄像头画面 BGR → RGB 送入手部模型推理
2. 推理完成 RGB → BGR 用于 OpenCV 绘图、显示 额外增加cv2.flip(frame,1)水平镜像，符合人眼正常视觉习惯。

四、完整可运行代码

python

运行

import cv2 import mediapipe as mp # 手势标签，flag对应伸直手指数量 gesture = ["none", "one", "two", "three", "four", "five", "six", "seven", "eight", "nine", "ten"] flag = 0 # 初始化mediapipe绘图工具与手部检测模块 mp_drawing = mp.solutions.drawing_utils mp_hands = mp.solutions.hands # 手部检测参数配置 hands = mp_hands.Hands( static_image_mode=False, # False视频流模式，True静态图片模式 max_num_hands=2, # 最多检测2只手 min_detection_confidence=0.75,# 手部检测最低置信度 min_tracking_confidence=0.75 # 手部跟踪最低置信度 ) # 打开本地摄像头 cap = cv2.VideoCapture(0) while True: flag = 0 # 每帧重置手指计数 ret, frame = cap.read() if not ret: print("无法读取摄像头画面") break # BGR转RGB供mediapipe处理 frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) # 水平翻转，消除镜像 frame = cv2.flip(frame, 1) # 手部关键点推理 results = hands.process(frame) # 转回BGR用于opencv绘图显示 frame = cv2.cvtColor(frame, cv2.COLOR_RGB2BGR) # 如果检测到手部关键点 if results.multi_hand_landmarks: for hand_landmarks in results.multi_hand_landmarks: # 0：腕部坐标，5：食指根部坐标，计算手掌基准长度 p0_x = hand_landmarks.landmark[0].x p0_y = hand_landmarks.landmark[0].y p5_x = hand_landmarks.landmark[5].x p5_y = hand_landmarks.landmark[5].y distance_0_5 = pow(p0_x - p5_x, 2) + pow(p0_y - p5_y, 2) base = distance_0_5 / 0.6 # 大拇指4号指尖距离计算 p4_x = hand_landmarks.landmark[4].x p4_y = hand_landmarks.landmark[4].y distance_5_4 = pow(p5_x - p4_x, 2) + pow(p5_y - p4_y, 2) # 食指8、中指12、无名指16、小指20指尖距离 p8_x, p8_y = hand_landmarks.landmark[8].x, hand_landmarks.landmark[8].y distance_0_8 = pow(p0_x - p8_x, 2) + pow(p0_y - p8_y, 2) p12_x, p12_y = hand_landmarks.landmark[12].x, hand_landmarks.landmark[12].y distance_0_12 = pow(p0_x - p12_x, 2) + pow(p0_y - p12_y, 2) p16_x, p16_y = hand_landmarks.landmark[16].x, hand_landmarks.landmark[16].y distance_0_16 = pow(p0_x - p16_x, 2) + pow(p0_y - p16_y, 2) p20_x, p20_y = hand_landmarks.landmark[20].x, hand_landmarks.landmark[20].y distance_0_20 = pow(p0_x - p20_x, 2) + pow(p0_y - p20_y, 2) # 判断四根手指是否伸直 if distance_0_8 > base: flag += 1 if distance_0_12 > base: flag += 1 if distance_0_16 > base: flag += 1 if distance_0_20 > base: flag += 1 # 判断大拇指是否伸出 if distance_5_4 > base * 0.3: flag += 1 # 最大限制10根手指（双手） if flag >= 10: flag = 10 # 绘制手部21个关键点与连接线 mp_drawing.draw_landmarks(frame, hand_landmarks, mp_hands.HAND_CONNECTIONS) # 在画面左上角显示识别结果 cv2.putText(frame, gesture[flag], (50, 50), 0, 1.3, (0, 0, 255), 3) # 窗口展示画面 cv2.imshow('MediaPipe Hands', frame) # 按下ESC键退出循环 if cv2.waitKey(1) & 0xFF == 27: break # 释放资源 cap.release() cv2.destroyAllWindows()

五、代码分段详细解析

1. MediaPipe 手部检测初始化参数

python

运行

hands = mp_hands.Hands( static_image_mode=False, max_num_hands=2, min_detection_confidence=0.75, min_tracking_confidence=0.75 )

• static_image_mode=False：视频流模式，启用手部跟踪加速推理，帧率更高；图片识别改为 True；
• max_num_hands=2：支持左右手同时识别，最高可检测双手 10 根手指；
• 两个 confidence 阈值：过滤低置信度误识别，阈值越高识别越严格。

2. 距离平方代替欧式距离

代码全部使用pow(x差,2)+pow(y差,2)计算距离平方，不开根号，减少浮点运算，提升实时推理速度，不影响大小比较逻辑。

3. 自适应基准 base 解决远近干扰

直接使用固定距离阈值会出现：手靠近镜头判定全伸直、远离镜头判定全弯曲。 代码利用手掌自身尺寸做自适应基准，无论手掌远近，判定标准统一，鲁棒性更强。

4. 双手兼容逻辑

单只手最多 5 根手指，双手最多 10 根，flag >=10限制最大计数为 10，对应 gesture 列表 ten。

5. 可视化与退出逻辑

• mp_drawing.draw_landmarks：自动绘制手掌 21 个关键点 + 骨骼连线，直观观察手部识别效果；
• cv2.putText：红色粗字体实时展示当前识别数字；
• waitKey(1)监听键盘，按下 ESC（27）关闭摄像头窗口。

六、运行效果说明

1. 运行代码自动弹出摄像头窗口，画面左右镜像；
2. 伸出对应数量手指，左上角实时显示 one/two/three...ten；
3. 无手进入画面显示 none；
4. 双手同时伸出最多显示 ten；
5. 画面上会绘制彩色手掌骨骼关键点，方便调试识别异常。

七、常见问题优化方案

1. 识别不准、手指计数乱跳
   • 调高min_detection_confidence至 0.85；
   • 调整base = distance_0_5 / 0.6中的 0.6 阈值，根据自己摄像头微调；
2. 大拇指识别错误修改大拇指阈值base * 0.3，增大 / 缩小系数适配手势；
3. 画面卡顿
   • 降低摄像头分辨率；
   • 将max_num_hands改为 1，只检测单手；
4. 不需要镜像画面删除frame = cv2.flip(frame, 1)这一行即可。

八、拓展改进方向

1. 增加手势分类：剪刀、石头、布等自定义手势；
2. 保存手势截图，制作手势数据集；
3. 结合串口 / 单片机，手势控制硬件设备；
4. 替换距离判断逻辑，使用关键点角度判断手指弯曲程度，识别精度更高；
5. 增加左右手区分，分别计数。

九、总结

MediaPipe 手部检测上手成本极低，无需训练模型，依靠内置预训练模型即可快速完成手部关键点提取。本文通过简单几何距离计算实现 0~10 数字手势识别，代码轻量化、实时性强，适合入门学习手部视觉交互开发，可拓展到人机交互、体感控制、课堂答题计数等场景。