[DL]Static Gestures Recognition(2): Solution finding

從構想、規劃、試錯到完成深度學習的手勢辨識模型。

第2關 – 最初的方向與實驗

首先，我們必須先將判斷的區域限縮定義出ROI (Region Of Interest)，

而不想因為其他的東西加入而造成影響判斷結果。

既然要辨識手勢，就應該先將圈選出手部區域，並去除之外不需要的部分。過多的背景資訊也是暫時不需要的。

發想/試錯/縮小目標範圍過程 - Using OpenCV 

 一開始從網路上找範例參考，使用 OpenCV 來檢測手部輪廓，

但發現光線因素將影響偵測結果的好壞，

如果沒有準確判斷出手部輪廓，且手指之間的凹點若沒有精準求出，並無法算出目前手勢中有伸出幾根指頭，

而且再複雜一點的手勢並無法用同一套演算法求得。

很快地我得出了結論，這並非是一個有效的解決方案。

必定要找更確實，能夠實現功能的方式。

接著，我回頭將最初的問題再思考 →

如何讓手部的動作被電腦記住，並依據可靠的資訊判斷出正確手勢並給予回應?

答案是

在影像偵測與辨識上已經有廣泛應用的

深度學習 

Deep Learning

Series link：

[DL]Static Gestures Recognition(1): Conception

[DL]Static Gestures Recognition(2): Solution finding

[DL]Static Gestures Recognition(3): Define workflow

[DL]Static Gestures Recognition(4): Preparing appropriate dataset

[DL]Static Gestures Recognition(5): Time is worth more than money

[DL]Static Gestures Recognition(6): Training Model & Next Step