1.一种基于Faster R-CNN的手势检测和识别方法，其特征在于：所述方法包括以下步骤：S1，采用Faster R-CNN网络，面向手势识别应用设置网络中的参数；

S2，给手势样本制作标签，并将标签样本作为Faster R-CNN网络的输入，从其共享卷积层中输出有效的非线性特征并输入到区域提取RPN网络和Fast R-CNN网络；

由具有扰动交叠率算法的RPN网络获得手势目标的区域建议，并反馈给Fast R-CNN网络；

S3，由Fast R-CNN网络通过分类层和边框回归层，输出手势位置和手势类别。

2.如权利要求1所述的一种基于Faster R-CNN的手势检测和识别方法，其特征在于：所述步骤S1中，根据所述采用Faster R-CNN网络，面向手势识别应用设置网络中的参数，包括：Faster R-CNN网络的输入参数：将图片输入大小设置为640*480；将NTU数据集分类的类别数目设置为11类；使用VGG_CNN_M_1024网络模型；

anchors的参数：anchors的基准面积大小设为8*8，使用三种宽高比2:1，1:1和1:2，采用的尺度为[8,12,16]。

3.如权利要求1或2所述的一种基于Faster R-CNN的手势检测和识别方法，其特征在于：所述步骤S2中，根据所述从使用扰动交叠率算法的RPN中获得手势目标的区域建议，包括：通过扰动交叠率算法产生扰动标签，扰动交叠率算法采用的策略就是在每1000次迭代中按概率10％随机选取一部分迭代的IoU设为0.5，其余的IoU都设为0.7。

4.如权利要求1或2所述的一种基于Faster R-CNN的手势检测和识别方法，其特征在于：所述步骤S3中，由Fast R-CNN网络通过分类层和边框回归层，输出手势位置和手势类别，包括：通过Region of Interest池化层和全连接层得到手势区域的1024维特征向量，再将此特征向量输入到分类层和边框回归层；

分类层输出1×11维手势类别数据；

边框回归层输出1×44维边框坐标数据。