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，我们需要安装 TensorFlow 2.2 和 OpenCV 4.2。可以使用以下命令进行安装：

pip install tensorflow==2.2 opencv-python==4.2.0.32

接下来，我们将分别编写两个 Python 文件。第一个文件用于训练手势识别模型，第二个文件用于调用电脑摄像头进行手势识别。

## 训练模型

在训练模型之前，我们需要准备数据集。我们将使用美国手语字母数据集，包含 26 个手语字母的图像。可以从以下链接下载数据集：

https://www.kaggle.com/datamunge/sign-language-mnist

下载完成后，解压缩文件并将其放置在项目文件夹内。

以下是训练模型的代码：

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
from sklearn.model_selection import train_test_split
import numpy as np
import cv2
import os

# 加载数据集
def load_data():
    data = np.load('sign_language_mnist.npz')
    X = data['arr_0']
    y = data['arr_1']
    X = np.reshape(X, (X.shape[0], 28, 28, 1))
    return X, y

# 构建模型
def build_model():
    model = models.Sequential()
    model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
    model.add(layers.MaxPooling2D((2, 2)))
    model.add(layers.Conv2D(64, (3, 3), activation='relu'))
    model.add(layers.MaxPooling2D((2, 2)))
    model.add(layers.Conv2D(128, (3, 3), activation='relu'))
    model.add(layers.MaxPooling2D((2, 2)))
    model.add(layers.Flatten())
    model.add(layers.Dense(128, activation='relu'))
    model.add(layers.Dense(26, activation='softmax'))
    return model

# 训练模型
def train_model(X, y):
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
    model = build_model()
    model.compile(optimizer='adam',
                  loss='sparse_categorical_crossentropy',
                  metrics=['accuracy'])
    model.fit(X_train, y_train, epochs=10, validation_data=(X_test, y_test))
    model.save('gesture_recognition_model.h5')

# 主函数
def main():
    X, y = load_data()
    train_model(X, y)

if __name__ == '__main__':
    main()

这个代码中，我们首先使用 `load_data` 函数加载数据集，并将其变形为适合 CNN 输入的形状。然后，我们使用 `build_model` 函数构建了一个 CNN 模型。这个模型包含了三个卷积层和三个池化层。最后，我们使用 `train_model` 函数进行模型训练，并将模型保存到文件 `gesture_recognition_model.h5` 中。

## 进行手势识别

下面是进行手势识别的代码：

import tensorflow as tf
import cv2

# 加载模型
model = tf.keras.models.load_model('gesture_recognition_model.h5')

# 打开摄像头
cap = cv2.VideoCapture(0)

# 图像预处理函数
def preprocess_image(image):
    image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # 转换为灰度图像
    image = cv2.resize(image, (28, 28))  # 缩放到 28x28
    image = image.reshape((1, 28, 28, 1))  # 变形为适合 CNN 输入的形状
    image = image / 255.0  # 归一化
    return image

# 手势识别函数
def recognize_gesture(image):
    image = preprocess_image(image)
    prediction = model.predict(image)
    class_id = prediction.argmax()
    return chr(class_id + ord('A'))

# 主函数
def main():
    while True:
        ret, frame = cap.read()
        if not ret:
            break
        cv2.imshow('frame', frame)
        key = cv2.waitKey(1)
        if key == ord('q'):
            break
        elif key == ord('p'):
            gesture = recognize_gesture(frame)
            print(gesture)
    cap.release()
    cv2.destroyAllWindows()

if __name__ == '__main__':
    main()

这个代码中，我们首先使用 `tf.keras.models.load_model` 函数加载训练好的模型。然后，我们打开电脑摄像头，并使用 `preprocess_image` 函数对摄像头捕获的图像进行预处理。最后，我们使用 `recognize_gesture` 函数进行手势识别，并将识别结果显示在控制台上。

在运行这个代码之前，请确保已经训练好了手势识别模型，并将模型保存为文件 `gesture_recognition_model.h5`。可以使用以下命令运行这个代码：

python gesture_recognition.py

在摄像头捕获到的图像中，按下 'p' 键进行手势识别，按下 'q' 键退出程序。