我們使用libsvm.net的SVM來學習收集到的資料。設計兩個models：

model1: 判斷close、open

model2: 判斷其餘四種手勢。

此兩組models使用不同的features：

model1: palm sphere(手掌所形成的球半徑)

model2: 大拇指指間方向、掌心法向量、手掌法向量與手臂方向向量夾角、食指第二節骨頭與大拇指指間距離、食指指尖與手掌上下關係。

兩個models皆使用Radial Basis Model，其中有兩個可控制參數——Cost與Gamma，我們利用實驗來決定所使用的兩個參數。

每次Leap motion擷取到手部資訊，就會計算所需的features，並給SVM進行手勢判斷。然而不是每次都有對應的手勢。因此對於每次的predict，計算probability，若超過所設定的threshold才會採納此手勢。

此外，為了增加整體正確率與使用者經驗，我們計算一段時間內出現次數最高的手勢，此手勢才會被真正當作最終判斷結果並傳給手機

於Unity上使用Google Cardboard SDK實作出擴增實境效果，並接收Windows電腦中C#執行程式上Leap Motion的資訊，達到判讀手勢功能，最終得以讓使用者利用手勢輸入並顯示於手機螢幕上。

Waiting page: 等待掃描QRcode

Sentence page: 顯示已輸入完的句子

Bopomofo page: 選擇要輸入的注音

Word page: 選擇要輸入的字

Sound page: 選擇要輸入的聲調

使用者可遵循途中箭號的方向滑動尋找所需物件。

在尋找的過程中，藉由與中心之距離控制滑動速度。

握拳可將物件鎖定住，使其不再滑動，再次握拳可將選定之 物件解鎖。

0: 沒有手勢(使用者無意圖做上述六種手勢)

1: Close

2: Open

3: Rotate

4: Press

5: Delete

6: Enter

將我們實作的成果轉移到合適且成熟的智慧眼鏡平台上，成為人們在聲控以外可以依賴的另一套輸入方式。