这幅装配图可以说是简单粗暴，对就是简单粗暴，利落干脆，不拖泥带水，只要花点时间看看就能吸收掌握。

Blender 2.81a 可用于雕刻的Lowpoly基础模型 效果图 步骤 新建一个Box调整一下厚度，作为手掌 在顶视图，添加三条环线 切换到透视模式，调整一下手掌的形状 选择下图的4个面， Alt + E 通过挤出各个面命令，挤出手指 在手掌加3条横向的环线，用他们区分出手掌和手腕以及拇指的位置 挤出大拇指 调整手指的长度和粗细，并在手指关节处加环线 添加一个Ctrl + 1添加一个一级细分修改器 应用这个一级细分修改器，切换到雕刻模式微调一下形状 作者：开发游戏的老王

YOLO网络检测手的数据集，已经标注好xml文件，可直接训练。

我博文中做好的那个手，导入后打开real hand场景，可以看到你需要的那个手，可直接由leapmotion控制，并且做了修改代码，解除了限制，能够对手部模型进行放大缩小。

在Linux系统下实现，opencv库需要自己安装，压缩包里面有完整的素材，使用的LDE是Clion

基于sEMG和GRNN的手部输出力估计.pdf,针对智能肌电假手力控制的需要，提出一种基于表面肌电信号(sEMG)和广义回归神经网络(GRNN)的手部输出力估计方法。首先在介绍实验平台的基础上详细描述了肌电信号的采集和特征提取方法以及广义回归神经网络的构建；然后，通过在手臂8个不同部位粘贴肌电传感器来检测手部动作过程中的肌电信号；同时为了全面测量人手在三维空间中的输出力，采用三维力传感器对手部的输出力进行测量；在同步获得手臂上的多通道肌电信号(X)和手部三维力推拉信号(F)后，对采集得到肌电信号进行了特征提取得到特征矩阵XF；将XF和F用于构建GRNN网络，并用均方差和残差绝对值均值对手部输出力的估计结果进行评估。为验证该方法的有效性，进行了实验验证，结果表明，该方法能够很好地利用sEMG对手部的输出力进行估计。

一般情况下,手势识别的第一步就是先手势定位,即手势所在部位的提取。本文是基于kinect来提取手势识别的，即先通过kinect找出人体的轮廓，然后定位轮廓中与手部有关的点，在该点的周围提取出满足一定要求的区域，对该区域进行滤波后得到的区域就是手部了。然后利用凸包和凹陷的数学几何方法，画出手指和手指凹陷处的点，以及手的轮廓线，并在图像中显示出来。文章所有代码都是网友Robert Walter提供的。

手部21类关键点数据集，已标注，内附百度网盘下载地址。

kinectV1+opencv实现的操作者手部提取，采用了深度和骨骼数据，效果不错，有兴趣的可以自己配置实现一下

1. 训练和测试数据集 2. 训练和测试代码（支持的backbone包括resent,mobilenet,shufflenet等） 3. 测试结果和演示图像