gesture recognizer 是比較好的解法。
灑家也有一個類似的算法，借鑒了原始手寫ocr的思路來實現的。其實是寫在 $1 gesture recognizer 之前的，但沒有 $1 gesture recognizer 歸納得好，作者jacob還是我偶像。
Realtime Gesture recognition
把所有的筆畫定義了個8個方向，然后將B的筆畫可以分解成一個字符串。然后當人在觸摸屏上畫出一個符號時，也將它分解成8個方向的字符串，最后比較兩個字符串的距離就能判斷出和不同符號的近似度。
實現起來也很簡單，第一步去噪，因為不同觸摸屏的采樣頻率不同。
第二步把去噪后的數據轉換成方向序列，把之前得到的點換成方向序列，並把方向序列歸納到之前定義的8個方向中去。
第三步把連續一致的方向合並。
第四步把小片段的移動略去，最后就能得出其實是畫了一個凹的形狀。
這個算法的厲害之處是可以實時識別，畫到一半也能判斷出來。
Realtime Gesture recognition 源代碼和demo都在上面了。
＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝
吐槽時間。。。。
剛寫完論文累死了，來吐槽。。。。
原來大家都覺得第一名不靠譜，怎么木有人把我頂上去！我眼紅着那300多票呢！
我來告訴你為什么第一名不靠譜，
首先ocr拿來做gesture recognition是不對滴！
ocr是一個比gesture recognition更難的問題，因為ocr得到的是一張圖片，所有點並沒有時間戳，而手勢識別時，每一下移動是有時間戳的，所以是知道“怎么畫出來”這個額外信息的。
其次ocr不是這么解釋的。
ocr問題的重點是怎么選擇特征，比如知名的uci 數據集就有以下這些特征量:
1. lettr capital letter (26 values from A to Z)
2. x-box horizontal position of box (integer)
3. y-box vertical position of box (integer)
4. width width of box (integer)
5. high height of box (integer)
6. onpix total # on pixels (integer)
7. x-bar mean x of on pixels in box (integer)
8. y-bar mean y of on pixels in box (integer)
9. x2bar mean x variance (integer)
10. y2bar mean y variance (integer)
11. xybar mean x y correlation (integer)
12. x2ybr mean of x * x * y (integer)
13. xy2br mean of x * y * y (integer)
14. x-ege mean edge count left to right (integer)
15. xegvy correlation of x-ege with y (integer)
16. y-ege mean edge count bottom to top (integer)
17. yegvx correlation of y-ege with x (integer)
我不懂deep learning，別和我講什么ocropus....
********************************************************************************************
移動設備多用手勢進行輸入，用戶通過手指在屏幕上畫出一個特定符號，計算機識別出來后給予響應的反應，要比讓用戶點擊繁瑣的按鈕為直接和有趣，而如果為每種手勢編寫一段識別代碼的話是件得不償失的事情。如何設計一種通用的手勢識別算法來完成上面的事情呢？
我們可以模仿筆記識別方法，實現一個簡單的筆畫識別模塊，流程如下：
第一步：手勢歸一化
1. 手指按下時開始記錄軌跡點，每划過一個新的點就記錄到手勢描述數組guesture中，直到手指離開屏幕。
2. 將gesture數組里每個點的x,y坐標最大值與最小值求出中上下左右的邊緣，求出該手勢路徑點的覆蓋面積。
3. 手勢坐標歸一化：以手勢中心點為原點，將gesture里頂點歸一化到-1<=x<=1, -1<=y<=1空間中。
4. 數組長度歸一化：將手勢路徑按照長度均勻划分成32段，用共32個新頂點替換guestue里的老頂點。
第二步：手勢相似度
1. 手勢點乘：g1 * g2 = g1.x1*g2.x1 + g1.y1*g2.y1 + … + g1.x32*g2.x32 + g1.y32*g2.y32
2. 手勢相似：相似度(g1, g2)=g1*g2/sqrt(g1*g1 + g2*g2)
由此我們可以根據兩個手勢的相似度算成一個分數score。用戶輸入了一個手勢g，我們回合手勢樣本中的所有樣本g1-gn打一次相似度分數，然后求出相似度最大的那個樣本gm並且該分數大於某個特定閥值（比如0.8），即可以判斷用戶輸入g相似於手勢樣本 gm !
--------------------------------------------------------------------------------------------------------------------------------------------
可以玩我5年前寫的手勢識別 Flash 游戲：
***************************************************************************************************************************************************
$1 Unistroke Recognizer，不用謝～代碼非常簡單，各種編程語言都有開源的庫
我擦，排名第一的在說什么，我完全看不懂……
Search · dollar gesture recognizer · GitHub
******************************************************************************************************************************
ioccc 2013 年的一段代碼可以一戰。
Best of show
Adrian Cable - OCR in quick brown fox ASCII art
US
這段鬼畜的代碼 (cable2.c) 可以做到識別手寫的 ascii 字符，
識別不同的顏色，
兼容不同的尺寸，
識別一段代碼，
排版字體，
以及一個笑臉 :)
執行效果：
references：
http://www.zhihu.com/question/29238666