1.一种基于新型RF-Net模型的手势识别方法，其特征在于，包括如下步骤：S1、在AlexNet模型的基础上进行模型优化，得到AlexNet_I模型；

S2、在手势图像训练集中训练AlexNet_I模型并固定网络参数，得到手势特征提取模型；

S3、建立并训练RF模型；

S4、将手势特征提取模型与RF模型结合，构建成RF-Net模型、并使用所述RF-Net模型进行手势图像识别。

2.根据权利要求1所述的基于新型RF-Net模型的手势识别方法，其特征在于，S1中所述在AlexNet模型的基础上进行模型优化，具体包括如下步骤：S11、删除AlexNet网络中的局部响应归一化层LRN，添加批归一化层BN；

S12、在AlexNet网络中添加1*1卷积层；

S13、改变AlexNet网络中的静态学习率为动态学习率。

3.根据权利要求1所述的基于新型RF-Net模型的手势识别方法，其特征在于，S2具体包括如下步骤：S21、在手势图像训练集中训练AlexNet_I模型；

S22、在得到经过训练的AlexNet_I模型后，固定AlexNet_I模型除全连接层以外的所有卷积神经网络参数，将结果作为手势特征提取模型。

4.根据权利要求1所述的基于新型RF-Net模型的手势识别方法，其特征在于，S3具体包括如下步骤：S31、将手势图像训练集依次经过手势特征提取模型，获取得到手势图像特征训练集；

S32、在手势图像特征训练集中训练RF模型。

5.根据权利要求4所述的基于新型RF-Net模型的手势识别方法，其特征在于，S31具体包括如下步骤：S311、将手势图像数据集通过自助法，划分为手势图像训练集、手势图像验证集以及手势图像测试集；

S312、将所述手势图像训练集、手势图像验证集以及手势图像测试集依次经过基于卷积神经网络的手势特征提取模型，获取得到手势图像特征训练集、手势图像特征验证集以及手势图像特征测试集。

6.根据权利要求4所述的基于新型RF-Net模型的手势识别方法，其特征在于，S32具体包括如下步骤：搭建RF模型，并在手势图像特征训练集中对所述RF模型进行训练。

7.根据权利要求6所述的基于新型RF-Net模型的手势识别方法，其特征在于，S32中所述搭建RF模型，具体包括如下步骤：S321、使用Bootstrap随机有放回抽样对手势图像特征训练集进行划分，得到若干个sub_sets子训练集，并引入样本随机性；

S322、在所述sub_sets子训练集中分别训练决策树；

S323、在建立决策树时，假设训练样本特征的个数为n，在其中随机选取m个特征，根据基尼系数选择这m个特征中的最优特征进行分裂，并引入属性随机性；

S324、重复步骤S323，直到该节点上的训练样例均属于同一类；

S325、将生成的决策树进行组合成随机森林， 采用投票表决的方式选定最终的分类 结果。