fyp

使用的mcu：
esp32
历史设备：
Kinect for Windows
https://learn.microsoft.com/en-us/windows/apps/design/devices/kinect-for-windows
Nintendo Wii
https://www.nintendo.com/en-gb/Wii/Wii-94559.html?srsltid=AfmBOor8Xo1tet1IBXyGMjGHbShVLkBfER8bSEsyGtisKmdRG3AfMNrp
相关仓库：

• MediaPipe Solutions（重点参考应用案例）: Google 开发的跨平台框架，包含多种机器学习解决方案，其中手势识别解决方案非常强大，提供了实时、高精度的手势跟踪和分类功能。
  • 链接: https://github.com/google/mediapipe
• OpenPose: 一个实时多人二维姿态估计库，可以用于手势识别。它可以准确地检测人体关键点，为手势识别提供基础数据。
  • 链接: https://github.com/CMU-Perceptual-Computing-Lab/openpose
• TensorFlow Examples: TensorFlow 官方提供的示例代码，包含多个手势识别相关的示例，如使用 TensorFlow 和 Keras 实现手势分类。
  • 链接: https://github.com/tensorflow/examples
• RealGes: 一个基于视觉的实时动态手势识别系统，包含数据采集、模型训练、实时预测等完整流程。
  • 链接: https://github.com/wzh99/RealGes
    编程和平台：
    arduino（功能较弱）
    Arduino IDE： Arduino IDE 是一个开源的集成开发环境，通过安装 ESP32 的核心库，可以方便地进行开发。
    vscode上可以装插件用C++编程。
    学习：
    不要看forest和svm，要从cnn、rnn、gan等开始看起。从类似项目中找使用cnn、rnn的方法，从中入手学习。每个人都要交单独的report。中期报告的时候要有设计方案和初步产品。汇报进度时准备PPT。
    理想流程：
    先做图像处理，再把数据放进learing model中处理，观察得到的结果。
    老师推荐的学习链接：
    https://docs.espressif.com/projects/esp-dl/zh_CN/latest/esp32/index.html
    https://developer.espressif.com/blog/hand-gesture-recognition-on-esp32-s3-with-esp-deep-learning/
    https://github.com/margaretmz/awesome-tensorflow-lite
    https://github.com/espressif/esp-tflite-micro