gesture recognizer 是比较好的解法。
洒家也有一个类似的算法，借鉴了原始手写ocr的思路来实现的。其实是写在 $1 gesture recognizer 之前的，但没有 $1 gesture recognizer 归纳得好，作者jacob还是我偶像。把所有的笔画定义了个8个方向，然后将B的笔画可以分解成一个字符串。然后当人在触摸屏上画出一个符号时，也将它分解成8个方向的字符串，最后比较两个字符串的距离就能判断出和不同符号的近似度。
实现起来也很简单，第一步去噪，因为不同触摸屏的采样频率不同。
第二步把去噪后的数据转换成方向序列，把之前得到的点换成方向序列，并把方向序列归纳到之前定义的8个方向中去。第三步把连续一致的方向合并。
第四步把小片段的移动略去，最后就能得出其实是画了一个凹的形状。
这个算法的厉害之处是可以实时识别，画到一半也能判断出来。 源代码和demo都在上面了。＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝吐槽时间。。。。刚写完论文累死了，来吐槽。。。。原来大家都觉得第一名不靠谱，怎么木有人把我顶上去！我眼红着那300多票呢！我来告诉你为什么第一名不靠谱，首先ocr拿来做gesture recognition是不对滴！ocr是一个比gesture recognition更难的问题，因为ocr得到的是一张图片，所有点并没有时间戳，而手势识别时，每一下移动是有时间戳的，所以是知道“怎么画出来”这个额外信息的。其次ocr不是这么解释的。ocr问题的重点是怎么选择特征，比如知名的uci 数据集就有以下这些特征量: 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，别和我讲什么ocropus....
********************************************************************************************
移动设备多用手势进行输入，用户通过手指在屏幕上画出一个特定符号，计算机识别出来后给予响应的反应，要比让用户点击繁琐的按钮为直接和有趣，而如果为每种手势编写一段识别代码的话是件得不偿失的事情。如何设计一种通用的手势识别算法来完成上面的事情呢？
我们可以模仿笔记识别方法，实现一个简单的笔画识别模块，流程如下：
第一步：手势归一化
1. 手指按下时开始记录轨迹点，每划过一个新的点就记录到手势描述数组guesture中，直到手指离开屏幕。
2. 将gesture数组里每个点的x,y坐标最大值与最小值求出中上下左右的边缘，求出该手势路径点的覆盖面积。
3. 手势坐标归一化：以手势中心点为原点，将gesture里顶点归一化到-1<=x<=1, -1<=y<=1空间中。
4. 数组长度归一化：将手势路径按照长度均匀划分成32段，用共32个新顶点替换guestue里的老顶点。
第二步：手势相似度
1. 手势点乘：g1 * g2 = g1.x1*g2.x1 + g1.y1*g2.y1 + … + g1.x32*g2.x32 + g1.y32*g2.y32
2. 手势相似：相似度(g1, g2)=g1*g2/sqrt(g1*g1 + g2*g2)
由此我们可以根据两个手势的相似度算成一个分数score。用户输入了一个手势g，我们回合手势样本中的所有样本g1-gn打一次相似度分数，然后求出相似度最大的那个样本gm并且该分数大于某个特定阀值（比如0.8），即可以判断用户输入g相似于手势样本 gm !
--------------------------------------------------------------------------------------------------------------------------------------------
可以玩我5年前写的手势识别 Flash 游戏：
***************************************************************************************************************************************************
$1 Unistroke Recognizer，不用谢～代码非常简单，各种编程语言都有开源的库
我擦，排名第一的在说什么，我完全看不懂……
******************************************************************************************************************************
ioccc 2013 年的一段代码可以一战。
Adrian Cable - OCR in quick brown fox ASCII art US
这段鬼畜的代码 () 可以做到识别手写的 ascii 字符，
识别不同的颜色，
兼容不同的尺寸，
识别一段代码，
排版字体，
以及一个笑脸 :)
执行效果：
references：
http://www.zhihu.com/question/29238666