Canvas鼠标手势识别核心是将轨迹转化为可比对的数字特征，通过路径追踪、采样归一化与几何特征匹配实现：第一步稳定采集坐标并防抖，第二步等距重采样与归一化缩放，第三步提取转向角等特征并用DTW或欧氏距离匹配模板。
Canvas鼠标手势识别，核心不是“画得像不像”，而是把用户一笔划出的轨迹，转化成可比对、可判断的数字特征。它依赖路径追踪的连续坐标采集，再通过采样、归一化和模式匹配完成动作捕获。整个过程对坐标精度、时序连贯性和算法鲁棒性要求较高，但实现逻辑清晰，不依赖第三方库。
第一步：稳定采集原始路径点
在canvas上监听mousedown、mousemove和mouseup事件，构建完整笔迹序列。关键细节在于：
- 只在按下状态（
isDrawing = true）下记录坐标，避免误触干扰 - 用
getBoundingClientRect()精确换算鼠标相对于canvas左上角的真实位置，而非clientX/clientY - 为防抖动，可对相邻点做距离阈值过滤（如两点间距＜3px则跳过），减少冗余点
第二步：重采样与归一化处理
人手绘制速度不均，原始点疏密不一，直接影响后续识别。必须做两层标准化：
- 等距重采样：按总路径长度n等分，取n个点（常见取16或32点），确保不同速度下的同一手势有相近点集密度
- 归一化缩放：将所有点坐标映射到固定范围（如0–1正方形），消除尺寸差异；再平移使质心位于原点，消除起始位置影响
第三步：特征提取与简单匹配
无需训练模型，轻量级手势识别可用几何特征快速判定：
- 计算每两个相邻点的转向角（用
atan2求向量夹角），生成角度序列，作为方向指纹 - 统计点列的 bounding box 宽高比、凸包面积/轮廓面积比，区分“圆”“横线”“三角”等基础形状
- 预存几个典型手势（如←、→、○、△）的归一化模板，运行时用动态时间规整（DTW）或欧氏距离比对角度序列相似度
补充：实用优化点
真实场景中容易忽略但影响体验的细节：
- 设置最小绘制长度阈值（如路径总长＜50px则丢弃），过滤无意滑动
- mouseup后立即触发识别，避免用户等待；识别失败时可提示“请重试”而非静默
- 移动端需额外兼容
touchstart/touchmove/touchend，且注意preventDefault防止页面滚动干扰
