手势识别代码上，下，左，右

# -*- coding: utf-8 -*-
# @auth
# 使用SVM对手势方向进行训练 分类

import cv2
import numpy as np 
from os import listdir
from sklearn.svm import SVC
from sklearn.externals import joblib
from sklearn.model_selection import GridSearchCV

train_path = “./feature/“
test_path  = “./test_feature/“
model_path = “./model/“

# 将txt文件中的特征转化成向量
def txtToVector（filename N）:
	returnVec = np.zeros（（1N））
	fr = open（filename）
	lineStr = fr.readline（）
	lineStr = lineStr.split（“ “）
	for i in range（N）:
		returnVec[0 i] = int（lineStr[i]）
	return returnVec


# 训练SVM
def train_SVM（N）:
	svc = SVC（）
	parameters = {‘kernel‘:（‘linear‘ ‘rbf‘）
	              ‘C‘:[1 3 5 7 9 11 13 15 17 19]
	              ‘gamma‘:[0.00001 0.0001 0.001 0.1 1 10 100 1000]}#预设置一些参数值
	hwLabels = []#存放类别标签
	trainingFileList = listdir（train_path）
	m = len（trainingFileList）
	trainingMat = np.zeros（（mN））
	for i in range（m）:
		fileNameStr = trainingFileList[i]
		classNumber = int（fileNameStr.split（‘_‘）[0]）
		hwLabels.append（classNumber）
		trainingMat[i:] = txtToVector（train_path+fileNameStr N）#将训练集改为矩阵格式
	clf = GridSearchCV（svc parameters cv=5 n_jobs=8）#网格搜索法，设置5-折交叉验证
	clf.fit（trainingMat hwLabels）
	print（clf.return_train_score）
	print（clf.best_params_） #打印出最好的结果
	best_model = clf.best_estimator_
	print（“SVM Model saved“）
	save_path = model_path + “svm_train_model.m“
	joblib.dump（best_modelsave_path）#保存最好的模型


# 测试SVM
def test_SVM（clfN）:
	testFileList = listdir（train_path）
	errorCount = 0#记录错误个数
	mTest = len（testFileList）
	for i in range（mTest）:
		fileNameStr = testFileList[i]
		classNum = int（fileNameStr.split（‘_‘）[0]）
		vectorTest = txtToVector（train_path+fileNameStrN）
		valTest = clf.predict（vectorTest）
		#print（“分类返回结果为%d	真实结果为%d“ % （valTest classNum））
		print（“file:“ fileNameStr“classNum:“ classNum “Test:“ clf.predict（vectorTest））
		if valTest != classNum:
			errorCount += 1
	print（“总共错了%d个数据
错误率为%f%%“ % （errorCount errorCount/mTest * 100））


# 载入模型并进行测试
def test_fd（fd_test）:
	clf = joblib.load（model_path + “svm_train_model.m“）
	test_svm = clf.predict（fd_test）
	return test_svm


if __name__==“__main__“:
	train_SVM（99）
	clf = joblib.load（model_path + “svm_train_model.m“）
	test_SVM（clf99）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2020-02-10 04:37  final
     文件       10244  2020-02-12 09:08  final.DS_Store
     文件         120  2020-02-12 09:08  __MACOSXfinal._.DS_Store
     文件         801  2020-02-12 09:10  finalpicture.py
     文件         220  2020-02-12 09:10  __MACOSXfinal._picture.py
     目录           0  2020-02-01 08:54  finalimages
     文件         187  2020-02-01 08:54  __MACOSXfinal._images
     目录           0  2020-02-11 09:12  finaldataset
     文件        2446  2020-02-12 08:47  finalclassify.py
     文件         276  2020-02-12 08:47  __MACOSXfinal._classify.py
     文件        1524  2020-02-12 09:16  finalextractFeature.py
     文件         220  2020-02-12 09:16  __MACOSXfinal._extractFeature.py
     目录           0  2020-02-12 09:06  final est_image
     文件         187  2020-02-12 09:06  __MACOSXfinal._test_image
     目录           0  2020-02-01 14:06  final\__pycache__
     文件        1297  2020-02-12 07:21  finaldataset.py
     文件         220  2020-02-12 07:21  __MACOSXfinal._dataset.py
     目录           0  2020-02-10 04:37  finalmodel
     目录           0  2020-02-01 08:53  finalfeature
     文件        5187  2020-02-12 09:17  finalmyGUI.py
     文件         220  2020-02-12 09:17  __MACOSXfinal._myGUI.py
     目录           0  2020-02-01 08:53  final est_feature
     文件       26585  2020-02-01 10:01  finalimages2_249.png
     文件         287  2020-02-01 10:01  __MACOSXfinalimages._2_249.png
     文件       32309  2020-02-01 13:18  finalimages2_261.png
     文件         287  2020-02-01 13:18  __MACOSXfinalimages._2_261.png
     文件       24292  2020-02-01 13:18  finalimages2_275.png
     文件         187  2020-02-01 13:18  __MACOSXfinalimages._2_275.png
     文件       11489  2020-01-31 14:49  finalimages1_64.png
     文件         287  2020-01-31 14:49  __MACOSXfinalimages._1_64.png
     文件       31853  2020-02-01 13:18  finalimages1_349.png
............此处省略7311个文件信息