编写一个基于CNN的手势识别工程，分为两个python代码，一个进行手势识别模型训练，一个用于调用电脑摄像头进行手势识别，使用TensorFlow2.2，且使用CPU版本

首先，确保你已经安装了TensorFlow2.2及其依赖项。以下是手势识别的模型训练代码：

import tensorflow as tf
from tensorflow.keras import layers
from tensorflow.keras.preprocessing.image import ImageDataGenerator

# 定义数据生成器
train_datagen = ImageDataGenerator(rescale=1./255)
val_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
        'train',
        target_size=(64, 64),
        batch_size=32,
        class_mode='categorical')

val_generator = val_datagen.flow_from_directory(
        'val',
        target_size=(64, 64),
        batch_size=32,
        class_mode='categorical')

# 定义模型
model = tf.keras.Sequential([
    layers.Conv2D(32, (3,3), activation='relu', input_shape=(64,64,3)),
    layers.MaxPooling2D((2,2)),
    layers.Conv2D(64, (3,3), activation='relu'),
    layers.MaxPooling2D((2,2)),
    layers.Conv2D(128, (3,3), activation='relu'),
    layers.MaxPooling2D((2,2)),
    layers.Flatten(),
    layers.Dense(128, activation='relu'),
    layers.Dense(5, activation='softmax')
])

model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
model.fit(
        train_generator,
        epochs=10,
        validation_data=val_generator)
        
# 保存模型
model.save('gesture_model.h5')

上述代码将生成器用于读取训练和验证数据，定义了一个简单的CNN模型，并使用ImageDataGenerator执行数据增强。模型将在10个时期内进行训练，然后保存为"gesture_model.h5"。

接下来，让我们编写一个代码来调用计算机摄像头，并使用我们训练的模型进行手势识别：

import cv2
import numpy as np
from tensorflow.keras.models import load_model

# 加载模型
model = load_model('gesture_model.h5')

# 打开摄像头
cap = cv2.VideoCapture(0)
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)

# 定义手势标签
gestures = {0: 'fist', 1: 'five', 2: 'ok', 3: 'palm', 4: 'thumb'}

while True:
    # 获取图像
    ret, frame = cap.read()
    
    # 调整图像大小并进行预测
    img = cv2.resize(frame, (64,64))
    img = np.expand_dims(img, axis=0)
    prediction = model.predict(img)
    
    # 显示手势标签
    gesture_label = gestures[np.argmax(prediction)]
    cv2.putText(frame, gesture_label, (50,50), cv2.FONT_HERSHEY_SIMPLEX, 1, (0,255,0), 2)
    
    # 显示图像
    cv2.imshow('Gesture Recognition', frame)
    
    # 按q键退出
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放摄像头并关闭窗口
cap.release()
cv2.destroyAllWindows()

上述代码将加载我们之前保存的模型，并使用OpenCV库打开计算机摄像头。它会不断读取摄像头中的图像，调整图像大小并使用我们的模型进行预测。预测结果将显示在图像上，并在窗口中显示。按q键退出。

注意：如果你使用CPU版本的TensorFlow2.2，那么训练和预测速度可能会比较慢。如果你拥有GPU，可以考虑使用GPU版本的TensorFlow来提高训练和预测速度。