1.一种基于深度学习的手势跟踪与识别方法，其特征在于，主要包括以下步骤：

1)采集若干手势彩色图像，并对所述手势彩色图像进行预处理；

2)标记出手势彩色图像的手部区域框；对手势彩色图像进行分类，为每幅手势彩色图像打上唯一标签，并生产数据标签文件；

3)建立手势数据集；所述手势数据集包括手势彩色图像和对应的标签；

4)搭建Darknet‑53卷积神经网络模型；

5)利用训练数据集对Darknet‑53卷积神经网络模型进行预训练，得到训练后的Darknet‑53卷积神经网络模型；

6)将训练后Darknet‑53卷积神经网络模型的网络参数迁移到目YOLOv3网络模型中，并初始化；

7)使用k‑means聚类算法对手势彩色图像的手部区域框进行聚类，得到k类手部区域框；将每类手部区域框宽高维度的聚类中心作为YOLOv3网络模型的配置文件的初始候选框参数；

8)将手势数据集输入到YOLOv3网络模型中，对YOLOv3网络模型进行训练，得到训练后的YOLOv3网络模型；

9)获取实时视频流，并以视频帧方式输入到训练后的YOLOv3网络模型中；利用训练后的YOLOv3网络模型对实时视频图像进行识别，得到手部区域框和手势类别信息；

训练后的YOLOv3网络模型的损失函数L(O,o,C,c,l,g)如下所示：L(O,o,C,c,l,g)＝λ1Lconf(o,c)+λ2Lcla(O,C)+λ3Lloc(l,g)； (1)式中，λ1、λ2和λ3分别表示置信度损失Lconf(o,c)、目标类别损失Lcla(O,C)和目标定位损失Lloc(l,g)的加权系数；

其中，置信度损失Lconf(o,c)如下所示：

式中， 表示预测目标边界框i内是否存在目标的Sigmoid概率； oi∈{0,1}，表示预测目标边界框i中是否真实存在目标，如不存在其值为0，存在则为1；

目标类别损失Lcla(O,C)如下所示：

式中， 表示网络预测目标边界框i内存在第j类目标的Sigmoid概率；

Oij∈{0,1}，表示预测目标边界框i中是否存在第j类目标，0表示不存在，1表示存在；

目标定位损失Lloc(l,g)如下所示：

式中，表示预测边界框坐标的偏移量； 表示与之匹配的Ground Truth与默认框之间的坐标偏移量；(x，y)代表检测框中心相对网络位置的偏移；(w,h)表示检测框的宽和高；

其中，预测边界框横坐标偏移量 纵坐标偏移量 宽的偏移量 和高的 分别满足下式：x y w h x y w h

式中，(c ,c ,p ,p)为默认框参数；(b ,b ,b ,b)为预测的目标边界框参数；下标i表示预测目标边界框i；

Ground Truth与默认框之间的横坐标偏移量 纵坐标偏移量 宽的偏移量 和高的偏移量 分别满足下式：x y w h

式中，(g ,g ,g ,g)为与之匹配的真实目标边界框参数。

2.根据权利要求1所述的一种基于深度学习的手势跟踪与识别方法，其特征在于，采集手势彩色图像的装置为摄像头。

3.根据权利要求1所述的一种基于深度学习的手势跟踪与识别方法，其特征在于，对所述手势彩色图像进行预处理方法为：利用数据增强方法对手势彩色图像进行扩充；数据增强方法包括翻转、平移和添加噪声。

4.根据权利要求1所述的一种基于深度学习的手势跟踪与识别方法，其特征在于，所述训练数据集为Egohands数据集。

5.根据权利要求1所述的一种基于深度学习的手势跟踪与识别方法，其特征在于，所述手势彩色图像在不同的场景、手部倾斜角度、手部尺度和光照条件下采集。

6.根据权利要求1所述的一种基于深度学习的手势跟踪与识别方法，其特征在于，对Darknet‑53卷积神经网络模型进行预训练的方法为：将训练数据集中的手部图像和标签文件输入到Darknet‑53卷积神经网络中，利用梯度下降算法不断更新Darknet‑53卷积神经网络权重，直至Darknet‑53卷积神经网络权重满足阈值，得到训练好的Darknet‑53卷积神经网络模型。

7.根据权利要求1所述的一种基于深度学习的手势跟踪与识别方法，其特征在于，k‑means聚类时，每个手部区域框和聚类中心的重合度满足下式：d(box,centroid)＝1‑IOU(box,centroid)；     (13)式中，d(box,centroid)为每个手部区域框中心和聚类中心centroid的最短距离；IOU(box,centroid)为每个手部区域框中心和聚类中心centroid的距离。

8.根据权利要求1所述的一种基于深度学习的手势跟踪与识别方法，其特征在于，对实时视频图像进行识别的主要步骤如下：

1)将视频帧以416*416的分辨率输入到训练后的YOLOv3网络模型中，得到三种不同尺度的特征图，每个n*n大小的特征图有n*n个特征图网格，每个特征图小格产生r个建议框；

2)对特征图进行手势类别识别，主要步骤如下：

2.1)利用YOLOv3网络模型判断第a个建议框属于第s类手势类别的概率pas，若概率pas<ε1，则将第a个建议框置0；ε1为概率阈值；a初始值为1，s初始值为1；

2.2)令a＝a+1，并返回步骤2.1)，直至r*n*n个建议框的概率均计算完毕；

2.3)以概率大小对非0建议框进行降序排列；用非极大值抑制算法去掉重复率>重复率阈值ε2的建议框；

2.4)令s＝s+1，并返回步骤2.1)，直至k类手势类别均识别完毕；

2.5)保留每个手势类别中概率最大的建议框，将其余建议框置零；概率最大的建议框对应的手势类别即为视频帧的手势类别；建议框为手部区域框。