1.一种基于雷达三维轨迹特征的手势识别方法，其特征在于，所述手势识别方法包括：步骤S10：收集多帧三维雷达手势信号；

步骤S20：将所述三维雷达手势信号转化为三维轨迹数据；

步骤S30：将所述三维轨迹数据输入神经网络中；

步骤S40：所述神经网络对三维轨迹数据进行处理，以获得手势识别结果；

所述步骤S20包括：

步骤S210：将所述三维雷达手势信号中的每一帧信号进行快时间维傅里叶变换(Fast Fourier Transform，FFT)，将快时间维转换到距离维，以得到距离FFT数据S′；

步骤S220：将所述距离FFT数据S′通过一阶递归滤波器进行杂波抑制，得到每一帧杂波抑制后距离FFT数据S″；

步骤S230：将所述距离FFT数据S′采用对数高斯‑恒虚警检测器(Constant False‑Alarm Rate，CFAR)检测手势目标的位置，当检测到某一帧数据中的手势目标位置时，将该帧的S″沿慢时间维先求和再取均值，积累多帧得到距离时间图，提取该图中能量最大值的位置得到距离像；

步骤S240：将所述杂波抑制后距离FFT数据S″中的慢时间维进行傅里叶变换，将慢时间维转换到多普勒维，得到多普勒‑FFTS″′；

步骤S250：基于所述距离像从所述多普勒‑FFTS″′中提取主多普勒分量，将多帧主多普勒分量积累得到多普勒‑时间图，提取该图中能量最大值的位置得到多普勒像；

步骤S260：从所述距离FFT数据S′中对多个天线接收通道相同帧内同一手势位置处的慢时间维应用多重信号分类MUSIC(Multiple Signal Classification，MUSIC)算法，进行角度谱估计，积累多帧得到角度时间图，提取该图中能量最大值的位置得到角度像；

步骤S270：采用卡尔曼滤波(Kalman filtering)分别对所述距离像、多普勒像和角度像进行平滑去噪，从而得到距离、多普勒、角度三维轨迹数据；

所述一阶递归滤波器的计算公式为：

"(m,q,k)1,q,k)+α*S'(m,q,k)

其中α是滤波器系数，S″(m,q,k)表示杂波抑制后每一帧距离FFT数据S″，m表示第m个调频信号，属于慢时间维；n表示在第m个调频信号内的第n个采样，属于快时间维；q表示快时间维n进行傅里叶变换后的值，属于距离维；k表示第k个接收天线通道，属于天线通道维。

2.根据权利要求1所述的手势识别方法，其特征在于，所述三维雷达手势信号为快时间、慢时间、天线通道的三维雷达手势信号。

3.根据权利要求1所述的手势识别方法，其特征在于，所述三维雷达手势信号是通过调频连续波(Frequency Modulated Continuous Wave，FMCW)多输入多输出(Multiple‑Input‑Multiple‑Output，MIMO)雷达收集的多帧三维雷达手势信号。

4.根据权利要求1所述的手势识别方法，其特征在于，所述三维轨迹数据为距离、多普勒、角度三维轨迹数据。

5.根据权利要求4所述的手势识别方法，其特征在于，所述神经网络包括输入层、LSTM(Long Short‑Term Memory，LSTM)层和输出层，其中，所述LSTM层为长短期记忆网络，其包括三个LSTM编码器，所述输出层包括具有六输出的归一化指数函数softmax。

6.根据权利要求5所述的手势识别方法，其特征在于，所述步骤S40包括：步骤S410：所述距离、多普勒、角度三维轨迹数据，经所述输入层输入至第一个LSTM编码器；

步骤S420：依次经过三个所述LSTM编码器运算后，输出对应输入的距离、多普勒、角度轨迹的序列长度和样本数的矩阵；

步骤S430：经输出层归一化指数函数softmax实现识别手势的输出。

7.一种手势识别装置，其特征在于，所述手势识别装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的手势识别程序，所述手势识别程序被所述处理器执行时实现如权利要求1至6中任一项所述的手势识别方法的步骤。

8.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述存储介质上存储有手势识别程序，所述手势识别程序可被一个或者多个处理器执行，以实现如权利要求1至6中任一项所述的手势识别方法的步骤。