1.一种基于WiFi设备的方向敏感多手势识别方法，其特征在于，包括以下步骤：S1、在WiFi发射端与WiFi接收端之间形成的有效菲涅尔区内做不同方向的相同手势动作，同时通过WiFi接收端采集WiFi发射端发射的WiFi信号中的CSI数据并存储，从采集到的CSI数据中获取CSI振幅信息，作为手势数据样本集；

S2、对获取得CSI振幅信息进行预处理得到消除降噪且完全包含手势信息的CSI数据；

S3、采用基于SVM的非法数据判定算法对预处理后的手势信息的数据中非法CSI数据进行判定，滤除异常手势动作，得到判定为合法CSI数据；

S4、将判定的合法CSI数据输入DNN神经网络，采用基于菲涅尔区模型的方法对不同方向的手势动作进行特征分析，确定相同手势动作的不同方向，然后对不同方向的手势动作进分类输出手势识别结果。

2.根据权利要求1所述的基于WiFi设备的方向敏感多手势识别方法，其特征在于，步骤S1具体包括：S11、以待检测手势的人员为原点建立三维坐标系，将空间分为垂直面和水平面，定义待检测手势的人员面向x轴方向，将待检测手势的人员正前方定义为V方向，定义手臂与人体正前方的夹角为偏航角，用β表示，手臂与身体的夹角为俯仰角，用α表示，在xOz平面上，定义与x轴夹角β＝45°时的两个方向分别为T方向和R方向，在xOy平面上，定义与x轴夹角α＝45°时的两个夹角定义为U方向和D方向；

S12、待检测手势的人员正面位于垂直WiFi发射端与WiFi接收端之间的直视链路LOS上直视链路距LOS一个臂长的距离，以保证手势动作在WiFi发射端与WiFi接收端之间形成的有效菲涅尔区内；分别朝V方向、U方向、D方向、T方向和R方向这5个方向进行推手手势；

S13、使用安装有CSI Tool工具包的装有Linux系统的电脑终端采集V方向、U方向、D方向、T方向和R方向推手手势时的CSI数据并以dat的形式进行存储；

S14、利用MATLAB来读取、处理并分析CSI数据以获取CSI振幅信息。

3.根据权利要求1或2所述的基于WiFi设备的方向敏感多手势识别方法，其特征在于，所述步骤S2的对获取得CSI振幅信息进行预处理具体包括：S21、利用Hampel滤波器对CSI数据中具有持续时间极短且峰值较大的环境噪声即异常值进行识别并滤除；

S22、使用五点滑动均值滤波对滤除异常值的CSI数据进行降噪处理；

S23、使用基于主成分分析PCA的方法对降噪后的CSI数据进行降维处理，得到主要包含了手势动作信息的第一主成分的CSI数据；

S24、使用基于差分动态阈值的方法检测手势动作的起始点和终止点，然后使用手势动态缩放矫正算法对得到起始点和终止点区间进行调整，得到完全包含手势信息的CSI数据。

4.根据权利要求3所述的基于WiFi设备的方向敏感多手势识别方法，其特征在于，所述步骤S3具体包括：S31、首先对所有完全包含手势信息的CSI数据进行均值、方差、最大波峰波谷差值3个时序特征提取；

S32、将每个完全包含手势信息的CSI数据的特征值组合成的特征向量输入到SVM分类器对其进行训练和测试，最终通过标签输出合法数据和非法数据。

5.根据权利要求4所述的基于WiFi设备的方向敏感多手势识别方法，其特征在于，所述步骤S4具体包括：S41、将判定的合法CSI数据集合{Pi}作为DNN神经网络的输入；输出用Yj表示，设置5个输出节点，表示手势的V方向、U方向、D方向、T方向和R方向的方向类别，即j＝5，Hk表示隐藏层；所述DNN神经网络的激活函数采用Relu激活函数，DNN神经网络的学习率初始选择为

0.01；输入的合法CSI数据集在训练过程中，经过多个隐藏层的线性变换和非线性变换后提取到有效手势信息特征，包含手势动作信息的CSI数据经过每个隐藏层都学习到一个线性关系与非线性关系，线性关系用a表示，w表示权重，b表示偏移量，其中间结果用z表示，σ为激活函数用来表示学习过程中的非线性关系；假设网络一共有p‑1个隐层，第p‑1层有l个神经元，第p‑1层后输出结果则为输出层，其中第j个神经元的输出Yj由下式给出：采用矩阵的方式表示转化成如下形式：

p p p‑1 p

Yj＝σ(z)＝σ(Wa +b)；

CSI数据在神经网络中经过不断地训练与学习，经过一系列线性与非线性函数的变换，最终提取每个方向的手势特征并进行分类。

6.根据权利要求2所述的基于WiFi设备的方向敏感多手势识别方法，其特征在于，所述步骤S13中CSI采样率设置为200Hz，即发送时间为0.005秒。

7.根据权利要求3所述的基于WiFi设备的方向敏感多手势识别方法，其特征在于，所述步骤S23中使用基于主成分分析PCA的方法对降噪后的CSI数据进行降维处理具体包括：首先，对降噪后的CSI数据提取其振幅信息，得到CSI矩阵D如下所示：

其中： 表示第i个子载波向量，然后计算 均值 构成均值向量 计算协

方差矩阵Ci如下所示：

对协方差矩阵Ci特征分解求得特征值和特征向量，对特征值λi重新排序使得λ1≥λ2≥...≥λi，并将特征向量ei重新排列；已知特征值为矩阵为Λ＝Diag[λ1,λ2,...,λ30]，特征T向量矩阵为U＝[e1,e2,...e30]，由此得C＝UΛU；

根据上述步骤得到包含信息量最多的特征值和特征向量即得到主要包含了手势动作信息的第一主成分的CSI数据。

8.根据权利要求3所述的基于WiFi设备的方向敏感多手势识别方法，其特征在于，所述手势动态缩放矫正算法的具体步骤为：通过基于差分动态阈值的方法检测到的手势动作的起始点和终止点区间κ∈[start,end]以及区间长度L，设定手势的动作时间为Δt，假设手势动作的有效动作长度为Le＝Δt·packet，如果Le＞L，则说明手势信息没有被完全截取，因此对手势动作进行缩放后能得到新的区间[start‑(Le‑L)/2,end+(Le‑L)/2]；若Le＜L，则有可能是对手势的误判或者手势速度过慢导致，为了保持样本数据的长度一致性，将对手势进行适当缩减，手势长度区间更新为[start+(L‑Le)/2,end‑(L‑Le)/2]，得到的新的区间κ'∈[star_m,end_n]内为分割得到的数据，即得到完全包含手势信息的CSI数据。

9.根据权利要求5所述的基于WiFi设备的方向敏感多手势识别方法，其特征在于，提取有效手势信息特征具体步骤为：首先根据空间划分为水平面和垂直面两个部分，水平面内的动作包括V方向、T方向和R方向，垂直面内的动作包括U方向和D方向；然后对水平内的手势动作进行特征提取，识别V方向、T方向和R方向，再对垂直面上的动作进行特征提取识别U方向和D方向。

10.一种基于WiFi设备的方向敏感多手势识别系统，其特征在于，包括数据采集模块、数据预处理模块、特征分析模块、异常手势过滤模块以及手势识别模块；

所述数据采集模块，用于在WiFi发射端与WiFi接收端之间形成的有效菲涅尔区内做不同方向的相同手势动作，同时通过WiFi接收端采集WiFi发射端发射的WiFi信号中的CSI数据并存储，从采集到的CSI数据中获取CSI振幅信息；

所述数据预处理模块，用于对CSI数据进行处理以得到消除降噪且完全包含手势信息的CSI数据；

所述特征分析模块，用于对数据预处理模块处理后的CSI数据中不同方向的手势动作进行特征分析；

所述异常手势过滤模块，用于识别CSI数据中合法数据和非法数据，并滤除CSI数据中的非法数据即异常手势动作；

所述手势识别模块，用于将CSI数据中合法数据进行特征提取与分类实现手势识别。