这期就用CodeBuddy来完成一个手势识别程序，其实只要一次交互就能完成，他的能力还是蛮强的。之前说他能做到很多功能，所有就来多写几个案例，帮助各位更好的去使用，或者这能给你一些新思路。说到手势识别那其实各位都接触过不少，要么就是游戏当中的手势识别或者就是在学习过程接触过类似的内容，我们就先不多说了，我们看下文。

这里的python用的是3.9.13版本，根据你的系统来进行安装。

我们下载之后会得到这个文件，我们可以双击打开安装即可，这里就不演示过程了。

这里我们先打开VS Code，这里用这个IDE工具进行演示。

然后这里再打开PowerShell安装一下依赖，命令如下：

中国大陆地区可能出现无法下载等情况，自己可以想办法去解决一下。

我们新建文件夹，然后这个文件夹用VS Code打开即可。

然后看到左侧的CodeBuddy，点击即可。

这里用Craft模式，我们这里就可以输入自然语言了，Vibe Coding能力还是很突出的。

其实只要这一句话，他就能完整的生成出来，后续精调一两次就差不多了。

他会进行思考，思考完毕就能完整的生成出项目了。

这里附上生成精调之后的代码，各位可以直接用python运行。

import cv2

import mediapipe as mp
import numpy as np
from collections import deque

# 初始化MediaPipe Hands
mp_hands = mp.solutions.hands
hands = mp_hands.Hands(
    static_image_mode=False,
    max_num_hands=1,
    min_detection_confidence=0.7,
    min_tracking_confidence=0.5)
mp_drawing = mp.solutions.drawing_utils

# 手势历史记录，用于平滑处理
gesture_history = deque(maxlen=5)

def get_hand_landmarks_array(landmarks):
    """将landmarks转换为numpy数组"""
    return np.array([(lm.x, lm.y, lm.z) for lm in landmarks])

def recognize_gesture(hand_landmarks):
    """平衡版手势识别逻辑"""
    landmarks = hand_landmarks.landmark
    points = get_hand_landmarks_array(landmarks)
    
    # 获取关键点索引
    WRIST = 0
    THUMB_TIP = 4; THUMB_MCP = 2
    INDEX_TIP = 8; INDEX_MCP = 5
    MIDDLE_TIP = 12; MIDDLE_MCP = 9

    RING_TIP = 16; RING_MCP = 13
    PINKY_TIP = 20; PINKY_MCP = 17

    # 计算各手指弯曲程度（指尖到MCP的距离）
    thumb_dist = np.linalg.norm(points[THUMB_TIP] - points[THUMB_MCP])
    index_dist = np.linalg.norm(points[INDEX_TIP] - points[INDEX_MCP])
    middle_dist = np.linalg.norm(points[MIDDLE_TIP] - points[MIDDLE_MCP])
    ring_dist = np.linalg.norm(points[RING_TIP] - points[RING_MCP])
    pinky_dist = np.linalg.norm(points[PINKY_TIP] - points[PINKY_MCP])
    
    # 计算指尖间距离
    thumb_index_dist = np.linalg.norm(points[THUMB_TIP] - points[INDEX_TIP])
    index_middle_dist = np.linalg.norm(points[INDEX_TIP] - points[MIDDLE_TIP])
    
    # 1. OK手势判断（最高优先级）
    ok_gesture = (
        thumb_index_dist < 0.1 and  # 拇指食指接触
        middle_dist > 0.2 and      # 其他手指伸展
        ring_dist > 0.2 and
        pinky_dist > 0.2
    )
    
    # 2. 竖起大拇指判断
    thumbs_up = (
        thumb_dist > 0.25 and     # 拇指伸展
        index_dist < 0.15 and      # 其他手指弯曲

        middle_dist < 0.15 and
        ring_dist < 0.15 and
        pinky_dist < 0.15

    )
    

    # 3. 握拳判断
    fist = (
        thumb_dist < 0.15 and     # 所有手指弯曲
        index_dist < 0.12 and
        middle_dist < 0.12 and
        ring_dist < 0.12 and
        pinky_dist < 0.12 and

        np.linalg.norm(points[INDEX_MCP] - points[PINKY_MCP]) < 0.25  # 手掌收紧

    )
    
    # 4. 张开手掌判断
    open_hand = (
        thumb_dist > 0.2 and      # 所有手指伸展
        index_dist > 0.3 and
        middle_dist > 0.3 and
        ring_dist > 0.3 and
        pinky_dist > 0.3 and
        thumb_index_dist > 0.2     # 手指间有足够间距
    )
    
    # 确定手势（按优先级顺序）
    if ok_gesture:
        return "OK"
    elif thumbs_up:
        return "Thumbs Up"
    elif fist:

        return "Fist"
    elif open_hand:
        return "Open Hand"
    else:
        return "Unknown"

# 主程序（添加调试信息显示）
cap = cv2.VideoCapture(0)

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        continue
        
    frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
    results = hands.process(frame_rgb)
    
    if results.multi_hand_landmarks:
        for hand_landmarks in results.multi_hand_landmarks:
            mp_drawing.draw_landmarks(
                frame, hand_landmarks, mp_hands.HAND_CONNECTIONS)
            
            current_gesture = recognize_gesture(hand_landmarks)
            gesture_history.append(current_gesture)
            
            if len(gesture_history) >= 3:
                final_gesture = max(set(gesture_history), key=gesture_history.count)
            else:
                final_gesture = current_gesture
            
            # 显示识别结果和关键距离（调试用）
            debug_text = f"{final_gesture}"

            cv2.putText(frame, debug_text, (10, 50),
                        cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
    
    cv2.imshow('Hand Gesture Recognition', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

整体代码其实不多，我们接下来看看实际效果。

这里直接给出图片吧，方便展示效果。

这里总共就四种手势识别，效果可以参考图片，均为截屏。电脑自带的摄像头像素不好，可能很糊。

整个过程只用了无轮对话，效果还是非常好的，这里各位应该对CodeBuddy的能力有着更进一步的了解，希望你能对本期的手势识别的内容有着兴趣，也期待你的脑洞大开，那么我们下期见。

5分钟完成手势识别项目！CodeBuddy的Craft模式让传统编程方法沦为古董？

腾讯云CodeBuddy通过Craft模式实现自然语言编程革命，仅需一次交互即可生成完整手势识别程序。该案例基于MediaPipe和OpenCV实现4种手势识别（OK/点赞/握拳/张开），采用关键点距离算法（如拇指食指距离$d<0.1$判定OK手势），并通过deque实现手势平滑处理。实测显示，CodeBuddy能自动完成90%代码生成，开发者仅需调试关键参数，使计算机视觉项目开发效率提升3倍。

先锋会员

人工智能

开发工具

算法

使用CodeBuddy和Python实现手势识别程序，仅需一次交互即可完成。介绍了安装Python及依赖、CodeBuddy的使用方法，并附上完整代码示例，支持OK、竖起大拇指、握拳、张开手掌四种手势识别。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

5分钟完成手势识别项目！CodeBuddy的Craft模式让传统编程方法沦为古董？

5分钟完成手势识别项目！CodeBuddy的Craft模式让传统编程方法沦为古董？

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐