1.基于GAN-CNN框架的机器人手势识别方法，具体步骤如下，其特征在于：步骤1，高清摄像机预先采集不同手势样本图片，而后通过WIFI传送至机器人数据处理系统；

步骤2，数据处理系统利用生成对抗网络(GAN)对步骤1中不同的手势样本图片进行扩展；

步骤3，对步骤2获得的扩展手势图片制作相应的标签，然后将扩展得到的手势图片及其对应的标签输入到卷积神经网络(CNN)中，从而完成CNN分类识别模型的预训练；

步骤4，高清摄像机实时采集不同手势样本图片，而后通过WIFI传送至机器人数据处理系统；

步骤5，数据处理系统利用预训练好的CNN模型对步骤4中所采集的照片进行分类识别，并将相关的识别信息通过WIFI上传至MYSQL数据库进行存储；

步骤6，机器人根据CNN识别结果执行相应的动作，至此，整个闭环过程结束。

2.根据权利要求1所述的基于GAN-CNN框架的机器人手势识别方法，其特征在于：步骤2中GAN网络模型训练的步骤为：步骤2.1，固定生成器G，训练鉴别器D；

步骤2.2，固定鉴别器D，训练生成器G；

步骤2.3，重复步骤2.1和步骤2.2，直至整个网络达到纳什平衡或者迭次次数达到设定的最大值，整个对抗过程的目标函数可以表示为：式中，pdata(x)表示真实样本x的分布概率，pz(z)表示生成器G的输入噪声变量z的分布概率z的分布概率，D(x)表示D鉴别x来源于真实样本的概率，D(G(z))表示D鉴别z来源于虚假样本的概率。

3.根据权利要求1所述的基于GAN-CNN框架的机器人手势识别方法，其特征在于：步骤3中CNN网络模型训练的步骤为：步骤3.1，将扩展得到的手势图片及其对应的标签输入到CNN中，其中卷积层滤波处理可以表达为：式中， 为n层卷积上第l个卷积核的输出，σ(·)为非线性激活函数，本发明选用RULE函数， 为n层第l个卷积核的权重系数， 为n-1层第m个特征输出， 是偏置项；

步骤3.2，将卷积层处理后的图片输入至下一个处理层，即：池化层，本发明的池化方式选用Max pooling；

步骤3.3，依次对图片进行类似于步骤3.1和步骤3.2的卷积池化处理；

步骤3.4，将步骤3.3中获得图片以Flatten的方式进行展开，然后连接全连接层1和全连接层2；

步骤3.5，利用Softmax逻辑回归实现对多层提取后的特征向量的识别与分类，其中Softmax回归的输出定义如下：式中，K为类别数，θj(1≤j≤K)为分类层参数；

步骤3.6，在交叉熵损失函数下，利用随机梯度下降(SGD)算法对CNN网络参数进行更新优化；

步骤3.7，重复以上步骤，直至交叉熵损失函数收敛或网络迭代次数达到设定的阈值，此时认为模型训练完成。

4.根据权利要求1所述的基于GAN-CNN框架的机器人手势识别方法，其特征在于：步骤5中将相关的识别信息通过WIFI上传至MYSQL数据库进行存储可具体描述为：将实时采集的照片和相应的判断结果发送至MYSQL数据库，当已有的模型判断出错时，则将判断出错的图片数据制作相应的标签，而后对已有的模型进行重新训练，其中训练过程与步骤3.1-3.7保持一致，从而提高模型的分类识别的精度和泛化性。