1.一种基于机器视觉的手语识别方法，其特征在于，包括：获取待识别的手语视频，使用二维骨骼识别模型OpenPos识别手语视频中每一帧人像的骨骼关键点，构建上肢骨骼数据；

根据上肢骨骼数据裁剪手语视频中的每一帧原图像，并对裁剪后的图像剔除背景，获得包含上肢且无背景的检测图像；

计算得到检测图像的像素特征以及上肢骨骼数据的骨骼特征；

通过卷积神经网络分别对像素特征和骨骼特征进行提取，得到像素识别特征和骨骼识别特征；

将像素识别特征和骨骼识别特征进行融合，并输入Bi‑LSTM网络获得识别向量；

再将识别向量输入softmax层获得结果向量，结果向量中值最大的元素对应的手语词汇为识别结果。

2.根据权利要求1所述的一种基于机器视觉的手语识别方法，其特征在于，对裁剪后的图像剔除背景的方法，包括：

采用预设的语义分割模型DeepLabV3+对裁剪后的图像剔除背景；其中，预设的语义分割模型DeepLabV3+的主干网络Xception替换为MobileNet V3。

3.根据权利要求1所述的一种基于机器视觉的手语识别方法，其特征在于，根据上肢骨骼数据裁剪手语视频中的每一帧原图像，包括：根据上肢骨骼数据计算裁剪边界，根据裁剪边界对手语视频中的每一帧原图像进行裁剪；裁剪边界计算公式为：

x1＝Max(Dx)

x2＝Min(Dx)

y1＝Max(Dy)

y2＝Min(Dy)

其中，x1、x2、y1、y2分别表示右边界、左边界、上边界、下边界裁剪位置，Max()、Min()分别表示取参数中的最大值、最小值，Dx、Dy分别表示各上肢骨骼关键点的横坐标集合、纵坐标集合。

4.根据权利要求1所述的一种基于机器视觉的手语识别方法，其特征在于，所述像素特征包括三值帧差特征和灰度像素特征；上肢骨骼数据的骨骼特征包括骨骼几何关系特征、骨骼轨迹特征和手部骨骼特征；通过卷积神经网络分别对三值帧差特征、灰度像素特征、骨骼几何关系特征、骨骼轨迹特征和手部骨骼特征进行提取，得到三值帧差识别特征、灰度像素识别特征、骨骼几何关系识别特征、骨骼轨迹识别特征和手部骨骼识别特征。

5.根据权利要求4所述的一种基于机器视觉的手语识别方法，其特征在于，所述上肢骨骼数据在手指和手掌设有21个骨骼关键点，手指和手掌的骨骼关键点构成手部骨骼特征。

6.根据权利要求4所述的一种基于机器视觉的手语识别方法，其特征在于，三值帧差特征计算过程，包括：

将检测图像中上肢部分的灰度值设定为255，将检测图像中其余部分的灰度值设定为

0，得到二值化处理的检测图像；

计算二值化处理的检测图像中每个像素点的二值帧差特征Dn(x,y)，再根据二值帧差特征Dn(x,y)计算三值帧差特征D'n(x,y)，计算公式为：Dn(x,y)＝fn(x,y)‑fn‑1(x,y)其中，n表示手语视频中第n帧，x表示像素点的横坐标，y表示像素点的纵坐标，fn(x,y)、fn‑1(x,y)分别表示第n帧、第n‑1帧二值化处理的检测图像中像素点(x,y)的灰度值，若n＝

1，则设n‑1＝1。

7.根据权利要求4所述的一种基于机器视觉的手语识别方法，其特征在于，所述骨骼几何关系特征包括双手前臂夹角Angle、手腕间斜率Kw、左腕脖向量特征WNl和右腕脖向量特征WNr；

所述双手前臂夹角Angle的计算公式为：V1＝Plw‑Ple

V2＝Prw‑Pre

其中，V1表示左手肘到左手腕骨骼关键点的向量，V2表示右手肘到右手腕骨骼关键点的向量，Plw、Ple、Prw、Pre分别表示左手腕、左手肘、右手腕、右手肘骨骼关键点坐标，Arccos()表示求参数的反余弦值，Dot(V1,V2)表示求向量V1和向量V2的点乘；

所述手腕间斜率Kw的公式计算为：其中，yleft、yright分别表示左手腕、右手腕骨骼关键点纵坐标，xleft、xright分别表示左手腕、右手腕骨骼关键点横坐标；

左腕脖向量特征WNl和右腕脖向量特征WNr的计算公式为：WNl＝Plw‑Pn

WNr＝Prw‑Pn

其中，Pn表示脖子骨骼关键点坐标。

8.根据权利要求4所述的一种基于机器视觉的手语识别方法，其特征在于，骨骼轨迹特征的计算过程为：

所述手语视频的帧数为N，矩阵M为手语视频中第m帧手腕骨骼轨迹特征；矩阵M的计算公式为：

Vtrail＝Pcurr‑Plast其中，Vtrail表示当前帧与上一帧的手腕骨骼关键点位置差，Pcurr、Plast分别表示当前帧、上一帧手腕骨骼关键点的坐标，Vtrail(x)表示Vtrail在x轴方向上的分量，Vtrail(y)表示Vtrail在y轴方向上的分量；

Vtrail(x)、Vtrail(y)在矩阵M的第m列，若当前帧为第1帧，则设Plast＝Pcurr。

9.根据权利要求4所述的一种基于机器视觉的手语识别方法，其特征在于，灰度像素特征的计算，包括：

检测图像中各像素点的灰度值计算公式为：Gray(x,y)＝R(x,y)×0.299+G(x,y)×0.587+B(x,y)×0.114其中，Gray(x,y)表示在像素点坐标(x,y)处的灰度值，R(x,y)、G(x,y)、B(x,y)分别表示在像素点坐标(x,y)在R、G、B通道下的像素值；

将各像素点的灰度值根据设定的顺序排列成列向量，所述列向量为灰度像素特征。