准备工作
1. 确保电脑上已经安装了Python。
2. 安装必要的库：
```bash
pip install opencv-python
pip install mediapipe
```
基础代码框架
创建一个新的Python文件，例如`gesture_recognition.py`，并导入所需的库：
```python
import cv2
import mediapipe as mp
```
初始化Mediapipe的手势识别模块和绘图工具：
```python
mp_drawing = mp.solutions.drawing_utils
mp_hands = mp.solutions.hands
```
使用`cv2.VideoCapture`来获取摄像头的视频流：
```python
cap = cv2.VideoCapture（0）
```
实现手势识别
在一个循环中读取视频帧，并将其转换为RGB格式（因为Mediapipe需要RGB格式的图像）：
```python
with mp_hands.Hands（min_detection_confidence=0.5, min_tracking_confidence=0.5） as hands:
while cap.isOpened（）:
success, image = cap.read（）
if not success:
break
将图像转换为RGB格式
rgb_frame = cv2.cvtColor（image, cv2.COLOR_BGR2RGB）
识别手势
results = hands.process（rgb_frame）
if results.multi_hand_landmarks:
画出手部关键点
for hand_landmarks in results.multi_hand_landmarks:
mp_drawing.draw_landmarks（rgb_frame, hand_landmarks, mp_hands.HAND_CONNECTIONS）
显示结果
cv2.imshow（'MediaPipe Hands', rgb_frame）
按ESC退出
if cv2.waitKey（5） & 0xFF == 27:
break
cap.release（）
cv2.destroyAllWindows（）
```
运行代码
保存上述代码为`gesture_recognition.py`，然后在命令行中运行：
```bash
python gesture_recognition.py
```
这将启动一个窗口，显示摄像头捕获的实时视频流，并实时识别手势。
注意事项
性能优化：
对于更复杂的应用，可能需要优化代码以提高性能，例如使用多线程或更高效的数据处理方法。
模型训练：
如果需要识别更多种类手势，可能需要收集更多训练数据，并使用机器学习算法（如TensorFlow或PyTorch）来训练自定义模型。
通过以上步骤，你可以开始使用MediaPipe库进行手势识别。根据具体需求，你可以进一步扩展和优化这个基础框架。