1.基于全景3D图像的微手势识别方法，其特征在于：由以下步骤实现：

首先，利用形态学滤波算法提升HoMG图像中的水平和竖直线条，增强线条与背景的对比度；

其次，通过快速模糊C均值聚类算法分割滤波图像，检测线条轮廓；

然后，根据形态学细化算法准确定位线条位置，利用线条间隔的最小方差计算基准坐标，构建网格坐标；

最后，利用网格坐标重建多张清晰的子图像，把重建后的子图像作为CNN模型的输入数据，从而完成微手势识别。

2.根据权利要求1所述的基于全景3D图像的微手势识别方法，其特征在于：具体包括以下步骤：

(1)输入HoMG图像f；

(2)对f进行水平和竖直形态学滤波，得到滤波后的图像为ξh和ξv；

(3)利用快速模糊C均值聚类算法对ξh和ξv进行分割；

(4)对分割后的图像利用形态学细化算法准确定位线条位置；

(5)根据线条间隔的最小方差，确定基准坐标，构建网格坐标；

(6)利用网格坐标重建子图像；

(7)利用CNN模型对重建的子图像进行分类识别。

3.根据权利要求2所述的基于全景3D图像的微手势识别方法，其特征在于：步骤(2)具体由以下步骤实现：

(a)利用水平结构元素对HoMG图像f进行形态学滤波，计算公式如下：ξh＝foBh

其中，Bh表示水平结构元素，Bh＝ones(1,100)，o表示形态学开运算，ξh表示形态学水平滤波结果；

(b)利用竖直结构元素对HoMG图像f进行形态学滤波，计算公式如下：ξv＝foBv

其中，Bv表示竖直结构元素，Bv＝ones(100,1)，o表示形态学开运算，ξv表示形态学竖直滤波结果。

4.根据权利要求3所述的基于全景3D图像的微手势识别方法，其特征在于：步骤(3)具体由以下步骤实现：

(a)初始化：设聚类个数为c，模糊权重因子为m，最大迭代次数为T，迭代截止条件为η，随机化隶属度矩阵为U(0)，初始迭代次数为t＝1；

(b)迭代更新快速模糊C均值聚类算法的聚类中心vi和模糊隶属度强度uij，FFCM算法的目标函数为：其中，c表示聚类个数，M表示图像ξ的灰度级个数，m表示模糊权重因子，rj表示图像中灰度值为j的像素数目，所以 n为图像的像素个数，uij表示灰度值为j的像素相对于第i个聚类中心vi的隶属度强度，||ξj-vi||表示图像ξ中灰度值为j的像素与第i个聚类中心vi的欧氏距离；

利用约束条件 与目标函数构建一个新的函数，公式如下：计算F函数极值对应的聚类中心vi，即 可得：计算F函数极值对应的隶属度强度uij，即 可得：(c)如果{U(t)-U(t+1)}＜η或者迭代次数t＞T，算法截止，否则t＝t+1，同时转向步骤(b)；

(d)根据每个灰度值j所对应的最大隶属度类别，获取分割标签Cj，计算公式如下：Cj＝argi{max{uij}},i＝1,2,L,c利用标签Cj所对应的聚类中心vi，构建分割图像g。

5.根据权利要求4所述的基于全景3D图像的微手势识别方法，其特征在于：步骤(4)具体由以下步骤实现：

形态学细化公式如下：

其中，THIN表示细化运算，B表示与前景和背景相匹配的结构元素对， 表示击中-击不中变换，通过迭代细化可以将区域细化为最低限度的连通线条，经细化后的图像为l。

6.根据权利要求5所述的基于全景3D图像的微手势识别方法，其特征在于：步骤(5)具体由以下步骤实现：

(a)首先选取图像l两侧宽度为100像素的区域用于坐标检测，其次根据每个区域内的平均索引值个数计算两侧坐标，然后利用线条间隔的最小方差确定基准坐标；

水平基准坐标的计算公式如下：

其中，lleft表示从图像l左侧区域获取的坐标，lright表示从图像l右侧区域获取的坐标，diff表示相邻坐标作差，var表示方差运算，通过选择最小方差的坐标，作为水平线条的基准坐标；

(b)竖直基准坐标的计算公式如下：

其中，lup表示从图像l上侧区域获取的坐标，ldown表示从图像l下侧区域获取的坐标，通过选择最小方差坐标，作为竖直线条的基准坐标。

7.根据权利要求6所述的基于全景3D图像的微手势识别方法，其特征在于：步骤(6)具体由以下步骤实现：

(a)根据网格坐标，确定网格的中心位置，以每个网格的中心像素重建一幅大小为66×

38的子图像；

(b)基于中心像素，以2像素为步长，获取中心像素的8邻域信息，利用该8邻域像素重建

8张子图像，从而将1幅高分辨率的HoMG图像转换为9幅低分辨率的子图像。