1.一种基于稀疏编码的加速鲁棒特征双模态手势意图理解方法，其特征在于，包括以下步骤：S1获取同步的深度手势图像和RGB手势图像，所述手势属于预设的C种手势之一，对深度手势图像进行前景图像提取得到第一前景图像，对RGB手势图像进行前景图像提取得到第二前景图像；

S2使用SURF算法对第一前景图像进行特征提取，对提取的特征进行稀疏编码，并使用多类线性SVM分类算法得到每种预设手势的第一hinge损失函数；

S3使用SURF算法对第二前景图像进行特征提取，对提取的特征进行稀疏编码，并使用多类线性SVM分类算法得到每种预设手势的第二hinge损失函数；

S4使用D-S证据理论方法分别对每种预设手势的第一hinge损失函数和第二hinge损失函数进行决策融合得到识别结果。

2.如权利要求1所述的基于稀疏编码的加速鲁棒特征双模态手势意图理解方法，其特征在于：所述深度手势图像的深度数据包括用户索引，检索所述深度数据的用户索引分割出所述第一前景图像。

3.如权利要求1所述的基于稀疏编码的加速鲁棒特征双模态手势意图理解方法，其特征在于，所述RGB手势图像的前景图像提取方法具体为：S1.1计算出所述RGB手势图像的最大灰度值Zmax和最小灰度值Zmin，令初始阈值为S1.2根据阈值T0将所述RGB手势图像分割成前景图像和背景图像，计算出前景图像的平均灰度值Z0、背景图像的平均灰度值Zb和新的阈值S1.3使用T1迭代T0，多次重复步骤S1.2，直到T1＝T0，得到的前景图像即为所述第二前景图像。

4.如权利要求1所述的基于稀疏编码的加速鲁棒特征双模态手势意图理解方法，其特征在于，所述步骤S2中对提取的特征进行稀疏编码的方法具体为：S2.1由所述第一前景图像的特征描述符X＝[X1,X2,...,Xn]，训练基向量字典及稀疏表示系数α优化目标函数，其中X是D维特征空间中的一组SURF特征描述符，目标函数为：其中λ为正则化参数，S(ai)是稀疏代价函数，

步骤a：首先固定φi，调整αi，使得目标函数最小，步骤b：然后固定αi，调整φi，使得目标函数最小，步骤c：多次重复步骤a和b，迭代改变φi及αi直至收敛，得到特征描述符X进行稀疏编码的结果a＝[a1,a2,...,an]。

5.如权利要求4所述的基于稀疏编码的加速鲁棒特征双模态手势意图理解方法，其特征在于，所述步骤S2中使用多类线性SVM分类算法得到每种预设手势的第一hinge损失函数的具体步骤为：S2.2构造最大池函数，在特征描述符X进行稀疏编码的结果α每列定义以下池函数：z＝F(φ)

zj＝max{|α1j|,|α2j|,...,|αMj|}其中F(φ)为稀疏码的最大池函数，z为池化特征，zj是z的第j个元素，αij是稀疏编码结果α的第i行和第j列的矩阵元素，M是所述特征描述符X包括SURF特征的数量；

S2.3利用zj构造线性核函数如下：

其中 为图像特征点(s,t)在l层的稀疏编码最大池函数；

S2.4构造线性SVM的决策函数f(z)

使用训练集 通过一对所有策略训练C个线性SVM，每个SVM的优化目标为：

分别得到每种预设手势的第一hinge损失函数

6.如权利要求5所述的基于稀疏编码的加速鲁棒特征双模态手势意图理解方法，其特征在于：所述步骤S3对于所述第二前景图像使用与所述步骤S2相同的方法获得每种预设手势的hinge损失函数。

7.如权利要求6所述的基于稀疏编码的加速鲁棒特征双模态手势意图理解方法，其特征在于，所述步骤S4具体为：S4.1分别使用每个第一hinge损失函数 构造 定义识别框架Θ上的基本概率分配为：

其中Θ＝[H11,H12,…,H1C]，其中H1j的手势类别为j，j∈{1,2，...C}，0<β<1为控制参数，φj为满足以下条件的递减函数:φj(0)＝0

S4.2根据D-S证据理论分别计算C个手势类别的mass函数mg1(H1j)，得到包括C个mass函数的第一全局BPA，mass函数的计算方法如下：p∈{1,...,C}

其中：

S4.3对于C个hinge损失函数重复步骤S4.1和4.2，得到包括C个mass函数mg2(H2j)的第二全局BPA；

S4.4由所述第一全局BPA和所述第二全局BPA，计算出C个组合mass函数Mj(A)，计算方法如下：S4.5筛选出C个组合mass函数Mj(A)的最大值MAX(Mj(A))，确定第j种手势为识别结果。

8.如权利要求1所述的基于稀疏编码的加速鲁棒特征双模态手势意图理解方法，其特征在于：所述步骤S2中使用SURF算法对第一前景图像进行特征提取获得的图像特征为64维特征描述子。

9.如权利要求1所述的基于稀疏编码的加速鲁棒特征双模态手势意图理解方法，其特征在于：所述深度手势图像通过Kinect设备获取。