PointGrab позволит управлять любой домашней техникой простыми жестами
Похоже, в будущем управление окружающими предметами жестами станет обыденностью. Уже несколько крупных компаний работает над тем, чтобы сделать этот вид технологии не просто доступным, а максимально простым и практичным для обычных потребителей. Одной из таких компаний является PointGrab, которая последние 3,5 года работала над подобной системой, и, судя по всему, мы увидим действующий прототип уже в следующем месяце на выставке CES.
Еще в 2010 году компания интегрировала свои разработки в несколько моделей ноутбуков, для управления которыми достаточно было удерживать ладони перед веб-камерой устройства. Следующая разработка, представленная на этапе концепта, позволяет указать на электронное устройство или бытовую технику пальцем и с помощью жестов и взгляда управлять основными функциями устройства.
В первом видео представлено устройство PointSwitch, которое позволяет управлять бытовыми функциями: опускать шторы, увеличивать или уменьшать яркость лампочки, изменять режим работы кондиционера, открывать или закрывать входную дверь. Во втором ролике представлены возможности пользователя по взаимодействию с компьютером на базе Windows 8 и Smart TV.
Первые устройства с интегрированной технологией PointGrab появятся в продаже в начале следующего года.
Pointgrab hand gesture control что это
Комментарии пользователей для «pgservice.exe»
Комментарии к другим файлам с именем «%PROGRAMFILES%\PointGrab\Hand Gesture Control\pgservice.exe»
БЕЗОПАСНЫЙ оценка пользователя (SEESALL) для файла %PROGRAMFILES%\PointGrab\Hand Gesture Control\pgservice.exe
Процесс «pgservice.exe» безопасный или опасный?
Pointgrab hand gesture control что это
Gesture control
версия: 1.3.3.6
Последнее обновление программы в шапке: 09.04.2021
Краткое описание:
Управление жестами — аналог такового в iPhone X
Приложение добавляет небольшую навигационную панель, похожую на аналогичную в iPhone X, которая является альтернативой навигационной панели и схожа по функционалу с Fling.
Требуется Android: 4.1+
Русский интерфейс: Есть
Процесс «pgpanel.exe» безопасный или опасный?
Добавить комментарий для «pgservice.exe» с определёнными выше параметрами
(*) Пожалуйста, пишите комментарии на РУССКОМ языке. Если вы хотите использовать иной язык, перейдите на страницы с этим языком. Отправляя сведения, вы обязуетесь не публиковать материалы, защищённые авторскими правами, содержащие секретные данные или как-то иначе нарушающие права сторонних владельцев, если только вы не владелец таких прав или не имеете разрешение от соответствующих владельцев на публикацию.
Подробности о наиболее часто используемом файле с именем «pgpanel.exe»
Проверьте свой ПК с помощью нашей бесплатной программы
System Explorer это наша бесплатная, удостоенная наград программа для быстрой проверки всех работающих процессов с помощью нашей базы данных. Эта программа поможет вам держать систему под контролем.
Добавить комментарий для «pgpanel.exe»
Если подробности о файле вам неизвестны, вы можете быстро проверить этот файл с помощью нашей бесплатной утилиты. Загрузить System Explorer.
Проверьте свой ПК с помощью нашей бесплатной программы
System Explorer это наша бесплатная, удостоенная наград программа для быстрой проверки всех работающих процессов с помощью нашей базы данных. Эта программа поможет вам держать систему под контролем. Программа действительно бесплатная, без рекламы и дополнительных включений, она доступна в виде установщика и как переносное приложение. Её рекомендуют много пользователей.
GMD Gesture Control, без сомнения, практически идеальное приложение во всех деталях. С момента первого использования, приверженность разработчиков к разработке этого приложения очевидна, не оставляя абсолютно ничего на волю случая и тщательно заботясь о любых деталях или настройках, доступных пользователю.
Говоря о самом программном обеспечении и его функциях, как только вы познакомитесь с его жестами, они скоро станут незаменимыми, поскольку они делают использование Android намного быстрее, удобнее, удобнее и доступнее. Хотя GMD Gesture Control больше подходит для планшетов, из-за того простого факта, что у них большой экран, он может гарантировать отличный пользовательский интерфейс даже на смартфонах, в частности, благодаря специальным жестам, которые можно активировать одним Палец.
Таким образом, «необходимо иметь» для любого устройства Android.
Итоговый голос: 97 / 99
Начальный экран с жесты по умолчанию
Индивидуальный жест пользователя с использованием функции «Запись»
Доступные действия, разделенные на 4 группы макросов
Launchpad в действии в своем специальном меню
черный список
Некоторым приложениям, особенно играм, требуется несколько смахиваний по экрану, что может вызвать внезапный запуск жестов. Чтобы преодолеть эту проблему, разработчики добавили несколько практических функций: «Пауза» позволяет остановить распознавание жестов, когда определенное пользовательское приложение активно; «Стоп» полностью останавливает службу GMD Gesture Control и связанный с ней процесс. «Скрыть строку состояния» включает приложения, которые принудительно вызывают строку состояния, если она была скрыта.
Черный список с приложениями, которые приостанавливают жесты
Перфоманс
GMD Gesture Control также выделяется в этом отношении. Нагрузка на ЦП практически нулевая, как и на оперативную память. Батарея используется очень мало, потребление фактически составляет около 1 или, реже, 2% в день. Само приложение не замедляется при использовании и нисколько не влияет на плавность работы операционной системы.
Комментарии пользователей для «pgpanel.exe»
Текущим параметрам фильтрации удовлетворяют несколько файлов. Будут показаны комментарии ко всем файлам.
Комментарии ко всем файлам с именем «pgpanel.exe»
БЕЗОПАСНЫЙ оценка пользователя Daniel для файла %PROGRAMFILES%\PointGrab\Hand Gesture Control\pgpanel.exe
Продукт: PGService Компания: PointGrab LTD Описание: PointGrab Hand Gesture Control Версия: 1.0.3.437 MD5: f8c47260f7e030a7f4082ab43ee76ce3 SHA1: 5b3192d9df19d74f131b6dfcfd462fabcabba752 SHA256: 6ccbc12e5d4b828184f0aa80730bcf219d598ac4ed32dbd03f9452b57ba7539f Размер: 45568 Папка: %PROGRAMFILES%\PointGrab\Hand Gesture Control ОС: Windows 7 Частота: Низкая
Проверьте свой ПК с помощью нашей бесплатной программы
System Explorer это наша бесплатная, удостоенная наград программа для быстрой проверки всех работающих процессов с помощью нашей базы данных. Эта программа поможет вам держать систему под контролем.
Антивирусный отчёт сообщества System Explorer
Этот файл проверен следующими антивирусными программами:
Антивирусные программы были активны и содержали новейшие вирусные базы.
Проверьте свой ПК с помощью нашей бесплатной программы
System Explorer это наша бесплатная, удостоенная наград программа для быстрой проверки всех работающих процессов с помощью нашей базы данных. Эта программа поможет вам держать систему под контролем. Программа действительно бесплатная, без рекламы и дополнительных включений, она доступна в виде установщика и как переносное приложение. Её рекомендуют много пользователей.
Выбираем приложение для управления android-устройством с помощью жестов: iGest, Finger Gesture Launcher и Gesture Magic (страница 3)
Gesture Magic
Знакомство
реклама
Что такого сложного и необычного в приложениях с жестами? Давайте не будем мудрить и рассмотрим простейшую бесплатную программу с элементарными действиями под названием Gesture Magic.
Функциональность приложения Gesture Magic:
Начало работы
К черту лишние вступления, баннеры и обученья – в Gesture Magic мы сразу попадем на главное меню данного приложения. Там мы можем создать жест, перейти к обучению, заглянуть в настройки или по-другому расположить уже созданные жесты.
Как видите, в android-приложении Gesture Magic все предельно просто, без пафоса и лишней мишуры.
Жесты можно создавать для самых простых нужд, а именно: запуска выбранного приложения, открытия указанной веб-страницы в браузере, блокировки экрана, совершения звонков, написания SMS-сообщений и управления ключевыми системными функциями. К сожалению, ничего интересного здесь больше нет.
реклама
Далее нам придется три раза ввести жест, чтобы программа смогла определить его и сделать определенные расчеты на погрешность ввода.
Вот теперь мы можем свободно пользоваться жестами на нашем android-устройстве. Для удобного ввода существует плавающая кнопка, открывающая соответствующую панель. Нажимаем на кнопку, рисуем, пробуем. Все предельно просто и без лишних заморочек, присущих подобным приложениям.
Настройки
Параметров в бесплатном приложении Gesture Magic всего три и все они связаны с плавающей кнопкой. Ее можно включить, добавить ей «прилипание» к краям экрана и активировать автозапуск. Опций мало, очень мало, а что поделать?
Тестирование
Что ж, программа Gesture Magic максимально проста по-своему функционалу, а какова она в работе? Приложение работает и добросовестно выполняет поставленную задачу. Распознавание жестов происходит быстро, но качество оставляет желать лучшего. Несмотря на поддержку мульти-жестов, до iGest данной утилите еще далеко.
| Версия приложения | 1.0.6 |
| Размер дистрибутива | 2 Мбайта |
| Размер приложения в установленном виде | 4 Мбайта |
| Потребление ОЗУ | 10-35 Мбайт |
К работе Gesture Magic у меня нет ни малейших вопросов, ее можно считать наиболее легкой в своем классе, так как она потребляет до 35 Мбайт оперативной памяти и практически не занимает внутреннюю память гаджета.
Выводы
Gesture Magic – это простое приложение с жестами для любых android-устройств. Программа предлагает усредненный функционал и в целом все самое необходимое, но не более того. Вдобавок она прекрасно работает и не содержит ни рекламы, ни платных функций.
Скачать Gesture Magic
для android-устройств
из Google Play
Заочное тестирование
реклама
Заключение
Тестирование приложений, благодаря которым мы с помощью жестов можем управлять смартфоном, было не самым интересным или продвинутым, но данный сегмент программного обеспечения определенно стоил потраченного времени.
Возможно, некоторые читатели зададутся вопросом – И это все? Где остальные приложения? Что ж, ответ будет прост – их практически нет, по крайней мере, таких, которые действительно бы заслуживали внимания. Перед началом работы над данным обзором я загрузил абсолютно все приложения с графическими жестами, кратко протестировал их и жестоко разочаровался. Подавляющее большинство таких программных решений одинаковое и не может предложить никаких кардинальных отличий. Именно из-за этого мы ограничились троицей представленных выше участников.
Что касается протестированных приложений, то советовать что-то конкретное в каждом случае сложно, поэтому лишь отметим их положительные и отрицательные качества. Приложение iGest наиболее дружелюбно к пользователю и обеспечивает высокое качество работы, но содержит рекламу и небольшие ограничения в бесплатной версии. Finger Gesture Launcher заметно уступает ему в плане работы, но при этом уже в базовой версии доступны все функции, равно как и реклама. Ну а Gesture Magic работает средне, зато и денег не требует, и реклама отсутствует.
На этом, пожалуй, пока все. Дело за вами – читайте обзор, скачивайте приложения, тестируйте и делитесь своим мнением в комментариях.
Hand gesture control что это
Для функционирования программы необходимы права root пользователя.
Краткое описание:
Управление планшетом и почти любым смартфоном на 4.х жестами.
Управляйте планшетом с помощью мультитач-жестов. Сверните статус-бар, включите полный экран.
Управляйте устройством с мультитачем и мультизадачностью. В любых приложениях. Вы можете свернуть статус-бар и играть в полный экран в любимых играх или при веб-серфинге.
Известные проблемы:
— Скрытие статусбара на ICS может сбросить ваше фоновое изображение.
Это не касается живых обоев. Вы можете воспользоваться программой «simple image wallpaper» для решение этой проблемы.
— В некоторых ICS прошивках скрытый статусбар может появиться.
— Нет никаких проблем с Honeycomb.
Требуется Android: 4.0+
Русский интерфейс: Неизвестно
версия: 10.1.5 + Rus ® GMD GestureControl ★ root (Пост Alex0047 #68893783)
версия: 10.0.0 + Rus ® GMD GestureControl ★ root (Пост Alex0047 #55513599)
версия: 9.0.0 ® GMD GestureControl ★ root (Пост pyshnyi #44031517)
версия: 9.0.0 Rus ® GMD GestureControl ★ root (Пост OsitKP #44165256)
версия: 8.1.0 Rus ® GMD GestureControl ★ root (Пост OsitKP #40136244)
версия: 8.1.0 ® GMD GestureControl ★ root (Пост Alex0047 #40076165)
версия: 8.0.1 Rus ® GMD GestureControl ★ root (Пост OsitKP #39602129)
версия: 8.1.0 beta 2 ® GMD GestureControl ★ root (Пост Alex0047 #40044065)
версия: 8.0.1 ® GMD GestureControl ★ root (Пост Alex0047 #39397761)
версия: 8.01 beta 1 Rus ® GMD GestureControl ★ root (Пост OsitKP #39289385)
версия: 7.5.3 Rus //4pda.to/forum/d…7.5.3_RU_by_OsitKP.apk
версия: 8.01 beta3 ® GMD GestureControl ★ root (Пост Alex0047 #39340201)
версия: 7.5.3 ® GMD GestureControl ★ root (Пост #32147272)
версия: 8.01 beta1 ® GMD GestureControl ★ root (Пост Alex0047 #39244723)
версия: 8.01 beta2 ® GMD GestureControl ★ root (Пост Alex0047 #39322836)
версия: 8.00 beta 1 Rus //4pda.to/forum/d…GMD_v8.00_beta1_RU.apk
версия: 8.00 Final ® GMD GestureControl ★ root (Пост алекс12 #39057807)
версия: 8.00 beta 3 ® GMD GestureControl ★ root (Пост Alex0047 #39035590)
версия: 8.00 beta 2 ® GMD GestureControl ★ root (Пост Alex0047 #38972731)
версия: 8.00 beta 1 ® GMD GestureControl ★ root (Пост Alex0047 #38869533)
версия: 8.00 alpha 5 ® GMD GestureControl ★ root (Пост Alex0047 #38659471)
версия: 8.00 alpha 4 ® GMD GestureControl ★ root (Пост Alex0047 #38542028)
версия: 8.00 alpha 3 //4pda.to/forum/d…/GMD+v8.00-alpha+3.apk
версия: 7.5.2 beta4 //4pda.to/forum/index.php?showtopic=361217&view=findpost&p=32126405
версия: 7.5.1 ® GMD GestureControl ★ root (Пост #28588921)
версия: 7.5.0 ® GMD GestureControl ★ root (Пост #28464761)
версия: 7.4.5 ® GMD GestureControl ★ root (Пост #26639042)
версия: 7.0.5 Rus //4pda.to/forum/dl/post/3532005/gmd_gesture_control_7.0.5_RU_by_OsitKP.apk
версия: 7.0.5 //4pda.to/forum/dl/post/3529119/gmd_gesture_control_7.0.5.apk
версия: 7.0.4 Rus ® GMD GestureControl ★ root (Пост #25481667)
версия: 7.0.4 //4pda.to/forum/dl/post/3511154/gmd_gesture_control_7.0.4.apk
версия: 7.0.0 Rus ® GMD GestureControl ★ root (Пост #25328620)
версия: 7.0.3 //4pda.to/forum/dl/post/3504939/gmd_gesture_control_7.0.3.apk
версия: 7.0.2 //4pda.to/forum/dl/post/3503252/gmd_gesture_control_7.0.2.apk
версия: 7.0.1 //4pda.to/forum/dl/post/3494438/GMD+GestureControl+%26%239733%3B+root+v7.0.1.apk
версия: 7.0.0 //4pda.to/forum/dl/post/3490345/GMD+GestureControl+v7.0.0.apk
версия: 6.4.0 Rus ® GMD GestureControl ★ root (Пост #25020732)
версия: 6.4.0 //4pda.to/forum/dl/post/3395273/GMD_GestureControl_6.4.0.apk
версия: 6.3.3 Rus //4pda.to/forum/dl/post/3309169/GMD_GestureControl_6.3.3_RU.apk
версия: 6.3.4 ® GMD GestureControl ★ root (Пост #24657434)
версия: 6.3.3 //4pda.to/forum/dl/post/3259970/GMD_GestureControl_6.3.3.apk
версия: 6.3.1 Rus ® GMD GestureControl ★ root (Пост #20506037)
версия: 6.3.2 //4pda.to/forum/dl/post/3241930/GMD_GestureControl_6.3.2.apk
версия: 6.3.1 //4pda.to/forum/dl/post/2708603/GMD_GestureControl_6.3.1.apk
версия: 6.3.0 Rus ® GMD GestureControl ★ root (Пост #19634203)
версия: 6.3.0 //4pda.to/forum/dl/post/2568074/GMD+_GestureControl_6.3.0.apk
версия: 6.2.4 Rus ® GMD GestureControl ★ root (Пост #19358313)
версия: 6.2.4 Rus ® GMD GestureControl ★ root (Пост #18465287)
версия: 6.2.4 //4pda.to/forum/dl/post/2356163/GMD-GestureControl—root-v6.2.4.apk
версия: 3.0.1 RUS GMD GestureControl_3.0.1 RUS.apk
версия: 6.2.3 //4pda.to/forum/dl/post/2351651/GMD.GestureControl.root.v6.2.3.apk
версия: 6.0.0 //4pda.to/forum/dl/post/2317346/com.goodmooddroid.gesturecontrol-6.0.0.apk
версия: 5.0.2 
GMD Gesture Control_5.0.2.apk ( 1.57 МБ )
версия: 4.0.0 //4pda.to/forum/dl/post/2048733/GMDGC_v4.0.0.apk
версия: 3.0.1 GMD GestureControl_3.0.1.apkGMD Gesture Control_3.0.0.apk ( 1.52 МБ )
версия: 2.7.3 //4pda.to/forum/dl/post/1941657/GMDGC%20в�…%20root%20v2.7.3.apk
версия: 2.7.1 //4pda.to/forum/dl/post/1923919/gmd_gesturecontrol_____root_2.7.1.apk
версия: 2.6.1 GC261.apk
версия: 2.4.1 GMD_Gesture_Control_2.4.0_full.apk ( 1.33 МБ )
Robotic hand-gesture control using machine learning and computer vision
Jul 17, 2019 · 9 min read
Who has never dreamt of getting the remote without moving from the sofa? What if you could control a robot to get it for you simply by moving your hand? Let’s use image processing, machine learning and command control to move a robot with hand-gesture controls.
Hand gesture recognition can be done using different types of input sensors: wired gloves, a stereo camera, a depth camera, or a standard camera which is the one we are going to use.
We could directly implement gesture recognition using a Convolutional Neural Network. But using a heavy CNN is not the only way to do that. We can manually extract discriminative features between hand gestures, so the classifier will be much lighter and easier to train.
Hence we are goin g through different technical fields: image processing for features extraction, machine learning for gesture classification, and command control to determine the robot motors speed depending on the recognized gesture:
Hand features extraction — image processing
Here are the three hand gestures we are going to use:
The most intuitive way of distinguishing those hands is using the shape of their contour.
Hand extraction
We need to isolate the hand from the rest of the image, hence to compute a binary mask of the hand.
To do so, here is a basic but quick method: palm of hands have a predominant red component in their RGB representation. Hence, test for each pixel whether its red component (between 0 and 255) is greater than both its green and blue components by at least a given threshold.
This is an easy way but of course it finds some limits: it is better to avoid wearing red clothes or to show your head / your entire arm in the camera field of view, as they risk to be detected as well.
Contour computation
Many image processing libraries like OpenCV provide algorithms to compute the list of pixels belonging to the contour:
If the class is “turn”, the direction is determined using the orientation of the bounding box of the contour. This is easy to set up using OpenCV:
Features extraction
To get features that depend on the shape of the contour, we can use its Fourier descriptors. Their advantage is that they are representative of the shape of a contour. Moreover, with some normalizations, we can make them translation-, rotation- and scale-invariant.
Fourier descriptors are calculated using Fourier Transform. There will be as many Fourier descriptors as the number of pixels in the contour. We want a fixed number of features so we only keep the first 21 descriptors. They are complex values, which means they all have a real part and an imaginary part.
Fourier descriptors: do they really represent the shape?
Let’s plot the Fourier descriptors computed from a set of images of hands. Using K-means algorithm, let’s see whether some clusters are identified:
Some clusters are clearly distinguishable in different Fourier descriptors. But is it really the shape of the contour that discriminate samples?
Let’s reconstruct the shape of the contour with an inverse Fourier transform. Let’s gather each shape in a specific window for each cluster:
This proves that no matter the original size, orientation or position of the hands, Fourier descriptors are good features to distinguish their shapes.
We manually extracted 21 complex descriptors, so by separating real and imaginary parts we have 42 numerical features to classify hand gestures.
Hand gesture recognition — machine learning
Dataset
Let’s define 4 classes: one for each hand gesture, and an additional rejection/unknown class for any other shape risking to be detected (e.g. a face, or a brown/red desk). Without such a class, a wrong detection from image processing could be classified as one of the three gestures, which would send the robot an undesired command.
To build a dataset, let’s take 20 different pictures for each hand gesture, and 20 other pictures of rejection shapes. 20 samples per class is of course not sufficient: let’s use data augmentation to enrich the dataset:
This will augment our dataset with pictures of hands having random orientations, and with flipped hands to avoid symmetry issues. Let’s use samples_per_class=200 to make a dataset of at least 800 samples.
Data preprocessing
Each image is described by 42 features. However, let’s have a look at the plot of other Fourier descriptors:
This example shows that among those 42 features, several will not be useful for classification. It is an issue because high dimensionality in data makes classifiers life harder. As we only deal with continuous numerical features with similar scale, a suitable dimensionality reduction technique is PCA ( Principal Component Analysis).
PCA projects data as a linear combination (weighted sum) of original features. Resulting features are sorted so the first feature is guaranteed to have the greatest variance and vice versa.
A feature with a variance near zero means that values for this feature are similar for all samples, hence it will not help classify them: we can ignore this feature.
PCA made over the whole dataset showed that 99% of data variance could be saved with only 25 resulting features instead of 42.
Classifier model
Using manual feature extraction and PCA, our classes are distinguished by only 25 features. Any classifier model could be used. Let’s try a k-nearest neighbors (KNN) and a small Multi-Layer Perceptron (MLP).
KNN is a method with no training. During inference, it searches the samples of the dataset which are the closest to the tested sample. In our case, the Euclidean distance is appropriate to compare two samples. The predicted class will be the most represented class among those closest samples.
Using k=6 with a dataset of 200 samples, the miclassification rate over 1000 new samples is 7% which is quite satisfying.
MLP is a fully-connected neural network. Our first layer contains 25 units for the input features. Let’s set one hidden layer of 10 units.
The output layer has 4 units representing for each class the probability that the sample belongs to this class. During inference, the selected class will be the one whose output gets the highest probability.
The training labels have to be one-hot encoded with this architecture: they contain 4 numbers each associated to one class: 1 if this sample belongs to the class, 0 otherwise:
Let’s try with hyperbolic tangents ( tanh ) activation functions for hidden and output layers. The training method is the back-propagation algorithm with a momentum of 0.1 (equivalent to 0.9 in Python frameworks).
Those settings are satisfying: the network trained and converged very fast: it took less than 3 seconds to converge on CPU. The validation set, splitted as 20% of the whole dataset, gave a loss of only 0.59%. Inference time was only 0.02 ms on CPU.
The advantage of using the few Fourier descriptors features instead of a big convolution neural network on the whole image is clear: classifiers are very small, very fast, and still very accurate.
It would also be interesting to train the network with:
Computation of robot speed — command control
We first used image processing to extract hand features. Then we used them to classify the hand gesture using machine learning.
Now that we know the user command, we want to determine the speed commands to send to the robot motors depending on this command and the robot current velocity.
This project was originally implemented to control a Khepera IV: a little mobile robot embedding many sensors and used for research and education. This is a differential wheeled robot, which means it has two parallel wheels:
Velocity vector
The first step is to compute the new velocity vector we want to give to the robot, hence its linear and angular speeds. With two settings of maximal linear and angular speeds, an intuitive algorithm would be:
If the neural network classifies the hand shape in the rejection class, it is safer to make the robot stop.
A limit to this method is the brutal transition between two different commands. We can make softer accelerations and brakings using a first-order low-pass filter:
This time, speeds will be updated progressively to converge towards their target value. The parameter α, defined between 0 and 1, allows to choose the fluidity we want to give to the movement. A value of 1 would be equivalent to the first algorithm. For safety, let’s set α=0.1.
There is a last issue to this method: the speed converges but never reaches the target speed. A simple solution is to directly set the speed equal to the target speed if the difference between them is lower than a threshold:
Velocity vector to wheel speeds
Once we computed the desired linear and angular speeds, we can easily compute the speed commands to send to both right and left wheels. In the case of a differential wheeled robot:
Conclusion
We saw a method for controlling a robot using hand-gesture recognition, from input image processing to output control commands. We saw that using a deep CNN is not necessary: we can manually extract a few features from images that characterize the shape of hands. This is a good alternative to CNNs when computation time is an important criteria, because we only need small and simple models to classify the hand shape.
Github
Source code for this project including image processing, classification and command control algorithms is available on my Github:
