1.一种基于UWB雷达技术的手势识别方法，其特征在于：该方法包括以下步骤：

S1：联合局部二值卷积层和残差模块结构的LBP特征提取方式UGLCNN；引入局部二值卷积层，用来提取图像的纹理特征；引入类似于残差模块的模块结构，将输入图像和经过局部二值卷积层后的LBP特征进行跳跃连接，得到图像的不同类别特征融合；

S2：由Shuffle Net和深度可分离卷积层改进后生成的手势识别模块UGSM和UGP NAS优化的方式组成的轻量级手势识别模块UGEN；其中的手势识别模块UGSM是以Shuffle Net为骨干网络，引入深度可分离卷积层，添加在网络的特征提取部分的尾部，得到图像的更高维度的特征图；

S3：基于无代理任务的神经框架搜索的适用于手势识别的应用情景以及对应的硬件设备需求的模型训练方式UGP NAS；将网络框架整合到无代理的神经框架搜索网络中，结合手势识别的应用情景以及对应的硬件设备需求，通过将输入网络进行路径级剪枝的网络参数搜索，得到最适合与数据集和相应硬件设备的识别网络。

2.根据权利要求1所述的一种基于UWB雷达技术的手势识别方法，其特征在于：所述S1具体为：通过用8个二稀疏差分滤波器对整个图像进行卷积，然后进行简单的二值化；得到的这8个滤波器生成的8个位图的加权和作为该中心点的像素值；将UWB手势图片数据集输入到局部二值卷积层，通过两层局部二值卷积层提取到图像的LBP特征，并且采用残差块结构将得到的LBP特征和原图像进行拼接，实现图像不同层级的特征融合。

3.根据权利要求2所述的一种基于UWB雷达技术的手势识别方法，其特征在于：所述S2具体为：UGSM以Shuffle Net为基础骨干网络，Shuffle Net以分组卷积和通道重组为核心模块；在原有的以Shufflenet unit核心构建的网络框架的末尾添加4层深度可分离卷积层，共同作为手势识别的模块部分。

4.根据权利要求3所述的一种基于UWB雷达技术的手势识别方法，其特征在于：所述S3具体为：UGP NAS不需要代理任务，直接在整个数据集上训练网络的所有部分；UGP NAS使用基于梯度的方法的同时考虑了图像分类的准确性和硬件设备的延迟性指标，能够同时实现识别准确率和识别时间的最佳优化；在训练过程中，将分类网络传入UGP NAS网络中，训练一个包含所有候选路径的超参数化网络，通过引入结构化参数来学习候选路径的冗余性，进而在训练阶段中将具有冗余性的候选路径进行剪枝，得到网络的优化结构。