手勢辨識與虛擬手勢檢測工具

這些是本工具實際採用的分類規則，直接套用於每一畫面追蹤到的 21 個手部關鍵點。

1. 點擊「開始」，並在系統提示時允許攝影機存取權限。
2. 將手舉起，清楚地放在畫面範圍內。
3. 依序嘗試五種可辨識的手勢，看看在目前的燈光條件下偵測的可靠程度。
4. 調整燈光或手的位置，若偵測結果不穩定——手部有清晰均勻的光線效果最好。

本工具執行 MediaPipe Hands，這是 Google 專為即時裝置端使用而訓練的手部追蹤模型，完全透過 WebAssembly 與 WebGL 在您的瀏覽器內運行。不會傳送任何資料到伺服器——模型只需下載一次，之後每個畫面都在本機處理。

每個畫面中，模型會針對偵測到的每隻手回傳 21 個關鍵點：手腕，以及五根手指各自的三個關節加上指尖。手勢分類本身只是根據這些點所做的簡單幾何運算，並非另外訓練的手勢分類器——當指尖與手腕的距離明顯大於該手指中間關節與手腕的距離時，就視為該手指伸直。五指皆伸直即判定為張開手掌；只有大拇指伸直則判定為豎起大拇指，依此類推。

Zoom 的「反應」選單包含實體舉手手勢，近期的桌面版用戶端在攝影機開啟時會自動偵測——只要在臉部附近張開手掌舉起，就會觸發與點擊按鈕相同的反應。Teams 也有相同的舉手反應功能，不過以手勢自動偵測的推出速度比 Zoom 各版本用戶端來得更慢一些。

Discord 沒有原生的手勢偵測功能，但如果您使用 OBS 或 Elgato Stream Deck 外掛程式，透過視訊鏡頭手勢觸發畫面疊加效果或特效，手勢辨識仍然重要——這類外掛正需要本工具所檢測的那種清晰、光線良好的關鍵點追蹤。

請將手完全保持在畫面範圍內，並與攝影機保持適當距離——一旦手部縮小到約為畫面寬度十分之一以下，關鍵點追蹤的準確度會迅速下降。逆光是最常見的失敗原因：身後明亮的窗戶會讓您的手變成剪影，模型便無法從一片黑暗輪廓中辨識出個別手指關節。

影格速率同樣重要。若視訊鏡頭因 USB 頻寬限制或驅動程式問題而難以維持 30fps，追蹤模型可用來鎖定手勢的畫面就會變少，這通常表現為畫面閃爍或偶爾漏偵測，而非完全無法運作。