1.一种基于回归检测的实时动态手势轨迹识别方法，其特征在于：所述方法包括以下步骤：

步骤1：获取视频图像，分割任一视频图像中的手部区域；

步骤2：基于分割得到的手部区域，获取对应的视频图像中与手势轨迹相关的关键点，构建基于关键点的手势轨迹；所述步骤2包括以下步骤：步骤2.1：基于分割得到的手部区域找到质心，获得质心的位置坐标；

步骤2.2：若当前质心为第一个质心，则以当前质心为第一个关键点；若当前质心不为第一个质心，则基于当前质心的位置坐标，计算当前质心与上一个关键点间的角度的变化量和距离，并将处于阈值范围内的质心记录为新的关键点；

步骤3：以基于因果卷积和空洞卷积改进的TextCNN对手势轨迹的信息进行特征提取，并将特征序列输入LSTM；

基于因果卷积和空洞卷积改进的TextCNN包括并列设置的卷积核大小不相等的3个一维卷积层的输入端，任一所述一维卷积层的输出端连接至对应的最大池化层的输入端，三个所述最大池化层的输出端连接至连接层的输入端，所述连接层的输出端连接至LSTM；所述3个一维卷积层的卷积核分别为2、3、4；输入任一一维卷积层的为长度为100的一维张量，所述一维张量包括关键点的角度的变化量和距离，长度不足100的以0填充；

步骤4：以基于变化的输出层结构改进的LSTM对所述特征序列进行回归预测；

基于变化的输出层结构改进的LSTM包括预设的LSTM和设于LSTM的输出端的全连接层；

所述全连接层输出一维张量L，L包括首尾相连的10个子张量，对每一个子张量对应的轨迹识别有效轨迹的中心点，若存在有效轨迹的中心点，则基于此中心点预测有效轨迹的起点、终点和类型；对每个子张量进行两次预测，得到的就是20个结果；

步骤5：从预测结果中聚类筛选出最可信的结果，定位和识别轨迹中存在的有效部分。

2.根据权利要求1所述的一种基于回归检测的实时动态手势轨迹识别方法，其特征在于：所述步骤1中，将获取的视频图像转换至YCrCb颜色空间，基于在Cr和Cb分量上预设的阈值，去除视频图像中的非肤色区域，分割得到手部区域。

3.根据权利要求1所述的一种基于回归检测的实时动态手势轨迹识别方法，其特征在于：令当前图像中手部质心的坐标为(xt,yt)、已经记录下来的关键点的坐标为 得到质心与最新的关键点间的x轴坐标差 y轴坐标差 关键点间的x轴坐标差 关键点间的y轴坐标差 则有关键点之间的角度的变化量 距离Dis＝||At,l,Bt,l||2；其中，t为当前质心所属帧数，l为当前关键点所属帧数。

4.根据权利要求1所述的一种基于回归检测的实时动态手势轨迹识别方法，其特征在于：池化层进行2×2的池化，连接层输出长度为50的一维张量，输入LSTM。

5.根据权利要求1所述的一种基于回归检测的实时动态手势轨迹识别方法，其特征在于：以IOU代表预测位置与实际位置的交并比，满足其中，Rpr9dic、Lpr9dic和Wpr9dic分别为预测结果中有效轨迹的终点、起点和长度的预测值，Rtruth、Ltruth和Wtruth为预测结果中有效轨迹的终点、起点和长度的实际值。

6.根据权利要求5所述的一种基于回归检测的实时动态手势轨迹识别方法，其特征在于：所述步骤5包括以下步骤：

步骤5.1：以20个结果为集合A，对集合A计算置信度Con，Con＝Pr(object)×IOU，存在有效轨迹中心点时，Pr(object)为1，否则为0；

步骤5.2：去除置信度小于阈值ath的值对应的集合A中的结果；ath＝0.3；

步骤5.3：将剩余结果按置信度从小到大排列，得到一个新的集合B；

步骤5.4：计算集合B中第一项与其他每一项的交并比，若第一项与其他任一项的交并比大于阈值bth，则删去所述其他任一项；bth＝0.2；

步骤5.5：重复步骤5.4，直到集合B中剩余每项间IOU都小于0.2，以剩余结果为这次检测的最终结果，得到对应的有效轨迹。