Hand counting 原理  https://www.youtube.com/watch?v=UthvMFbtwqg 

從網路上下載了很不錯的教學，我把英文版做簡易的中文化，方便我自己未來上課可以使用

這是教學影片 https://www.youtube.com/watch?v=epwlqHHbELE 

因為會需要使用到圖片動畫、文字顯示，這個範例很厲害，綜合多種功能於一身

首先，初始化手部標誌檢測模型(Hands Landmarks Detection Model)

我們需要初始化 mp.solutions.hands 這個類別(Class)，然後使用適當的參數來設置 mp.solutions.hands.Hands() 函數，並初始化可視化檢測到的地標所需的 mp.solutions.drawing_utils 類(Class)，也就是把偵測到的數值繪製顯數出來的Class物件.我們還將處理圖像和視訊，因為要做這些事，所以我們必須設置 mp.solutions.hands.Hands() 函數兩次，一次處理圖像另一次處理視訊。

• 第一次我們會將參數 static_image_mode 設置為 True 以用於圖像

• 第二次將 static_image_mode 設置為 False 以用於視訊。

這兩個分別的動作設定會加快Hands Landmarks Detection過程。 

mp.solutions.hands是檢測手部關鍵點的函數，其中有4個輸入參數量需要做設定

Configuration Options

• static_image_mode：

  • • 預設值為False，如果設定為false, 就是把輸入看作一個stream，在偵測確定到是手後，開始對手手部追蹤(目標檢測+跟蹤)，這次的追蹤跟檢測會持續到找不到手為止，完成這一次的追蹤。

    • 如果設定為True，則對手部檢測將在每個輸入圖像上運行(做目標檢測)，這種方式非常適合處理一批靜態的圖片。(如果要做檢測的是圖片就要設置成True)

• max_num_hands:

  • • 可以檢測到的手的數量最大值，預設值是2

• min_detection_confidence: 

  • • 手部檢測的最小置信度值，大於這個數值就會被認為是成功的檢測到手。預設值為0.5 

• min_tracking_confidence：

  • • 目標蹤模型的最小置信度值，大於這個數值將被視為已成功跟蹤的手部，預設值為0.5，如果static_image_mode設置為true，則忽略此操作。 

結果輸出

• MULTI_HAND_LANDMARKS：

  • • 這個輸出結果包含了檢測與追蹤手的結果，每個手掌可以被檢出21個點的關鍵資訊(如上圖)，這些點的資訊是這個點在空間中X,Y,Z座標的數值，簡單把它想像就是我們數學上的空間座標，只是最大的值是1。其中Z的值是以手腕底部為原點的landmark深度值，值愈小，代表愈靠近相機，簡單說就是3D的座標。

• MULTI_HAND_WORLD_LANDMARKS：

  • • 基本上跟MULTI_HAND_LANDMARKS一樣，只是以公尺為單位的3D坐標，它的原點位置位於手部的近似幾何中心。

• MULTI_HANDEDNESS：

  • • 可以檢測到/跟踪的手的慣用手（即是左手還是右手）的資料集合(標籤與概率值)。每隻手都是由標籤和分數組成。

    • Label標籤值是right或left。score是預測的慣用手的估計概率，並且總是大於或等於 0.5（而相反的慣用手的估計概率為 1 - 分數）。