1.实时手势识别方法，其特征在于，主要包括以下步骤：

1)建立手势分类模型，并存储在所述服务器端；

2)从智能终端实时采集手势的运动传感数据，并上传至服务器端。

3)服务器端对运动传感数据进行预处理，得到合加速度数据；

4)对预处理后的合加速度数据进行手势分割，实时分割为手势段，并提取手势的特征数据；

5)将手势的特征数据输入到手势分类模型中，实时识别手势，得到手势识别结果。

2.根据权利要求1所述的实时手势识别方法，其特征在于，建立手势分类模型的主要步骤如下：

1)获取训练样本数据，主要步骤如下：

1.1)利用智能终端的运动传感器采集n个测试者的运动传感数据，记为数据集B＝[B1，B2，…，Bh，…，Bm]；Bh表示一组运动传感数据；

所述运动传感器主要包括三轴加速度传感器和三轴陀螺仪传感器；所述运动传感数据主要包括三轴加速度数据、三轴陀螺仪数据和运动时间；

1.2)智能终端将采集到的运动传感数据发送至服务器端；

1.3)服务器端对每组运动传感数据进行预处理，即分别截断三轴加速度数据和三轴陀螺仪数据两端的无效数据，从而将加速度数据和陀螺仪数据根据时间信息处理为相同长度，从而得到预处理后的运动传感数据；

1.4)分别计算预处理后的每组运动传感数据的合加速度a，并存入数据集A中；

合加速度a如下所示：

式中，x、y和z分别为三轴加速度传感器的三个轴的数据；

1.5)基于数据集A，建立训练集D和测试集，并为训练集D的数据打上标签；

2)将训练集D的数据和标签输入分类器中，迭代训练学习参数；

3)将测试集的数据输入到手势分类模型中，对手势分类模型进行测试，并根据测试结果调整学习参数。

3.根据权利要求1或2所述的实时手势识别方法，其特征在于，手势特征数据主要包括时域特征和小波能量特征；其中，时域特征主要包括最大值、最小值、平均值、均方根、平均绝对偏差、众数、极差、相关系数、四分位距、偏度和峰度。

4.根据权利要求1所述的实时手势识别方法，其特征在于，得到手势识别结果的主要步骤如下，对预处理后的合加速度数据进行手势分割的主要步骤如下：

1)对预处理后的合加速度数据集进行归一化处理，归一化后的合加速度数据集记为S(t)，并将数据集S(t)的波形统一转换为矩形波；其中，转换阈值记为Tr；

其中，数据集S(t)如下所示：

2)分别将数据集S(t)中数值改变的点标记为Q(i),Q(i+1),...,Q(i+n)；n＝0,1,2,…；

i为任意数据点；

3)确定自适应窗口大小，即确定每个手势数据段的分割长度；

分割长度window(i+n)如下所示：window(i+n)＝Q(i+n+2)-Q(i+n)；    (3)

4)确定自适应步长的大小step(i+n)，即：step(i+n)＝Q(i+n+1)-Q(i+n)；    (4)

5)根据自适应窗口大小window(i+n)和自适应步长step(i+n)，对数据集S(t)进行分割。

5.基于权利要求1至4所述实时手势识别方法的系统，其特征在于：主要包括智能终端和服务器；

所述智能终端具有运动传感器；

所述运动传感器实时采集用户的运动传感数据，并上传至服务器端；

所述服务器端存储有手势分类模型；

所述服务器端对运动传感数据进行预处理，得到合加速度数据a；

合加速度a如下所示：

式中，x、y和z分别为三轴加速度传感器的三个轴的数据；

所述服务器端对预处理后的合加速度数据进行手势分割，实时分割为手势段，并提取手势的特征数据；

所述服务器端将手势的特征数据输入到手势分类模型中，实时识别手势，得到手势识别结果。

6.根据权利要求5所述实时手势识别系统，其特征在于：所述智能终端主要包括智能手环、智能手表和智能手套。