1.一种基于密度峰值聚类特征选择的三维手写字符识别方法，其特征在于：步骤一、建立数据集，数据集包括m个手写字符的三维离散点集；

步骤二、将m个三维离散点集各自依序连接，得到m个手写字符的三维轨迹；

步骤三、对m个三维离散点集分别进行预处理；

步骤四、对预处理后的三维离散点集提取特征，特征分成三大类，分别是书写方向，曲率，坐标差，共计16个特征，具体如下：

4.1、三维离散点集中任意点的书写方向对应三个特征，分别为其相邻两点的连线与x轴、y轴、z轴夹角的余弦值；

4.2、三维离散点集中任意点的书写方向对应十个特征，分别为该点与相邻两点所成圆的圆心坐标、半径、圆心到相邻两点连线中点的向量坐标、圆心到改点与下一点连线中点的向量坐标；

4.3、三维离散点集中任意点的曲率特征对应三个特征，分别为其相邻两点的x轴、y轴、z轴的坐标差值；

步骤五、计算任意两个特征间的对称不确定性；第i个特征Xi与第j个特征Xj之间的对称不确定性SU(Xi,Xj)的表达式如式(4)所示；i＝1,2,…,16；j＝1,2,…,16；

式(4)中，H(Xi)、H(Xj)分别是特征Xi、Xj的信息熵，其表达式如式(5)所示；IG(Xi,Xj)表示特征Xi与特征Xj的信息增益，其表达式如式(6)所示；

H(Xi)＝-∑p(xik)log2(p(xik))           式(5)式(5)中，p(xik)表示特征Xi第k个取值xik对应的概率；

IG(Xi,Xj)＝H(Xi)-H(Xi|Xj)           式(6)式(6)中，H(Xi|Xj)是条件熵，其表达式如式(7)所示；

H(Xi|Xj)＝-∑p(xjl)∑p(xik|xjl)log2(p(xik|xjl))         式(7)式(7)中，p(xik|xjl)表示特征Xj取第l个值xjl时，特征Xi取第k个值xik的概率；

步骤六、计算第i个特征的局部密度；第i个特征的局部密度ρi的表达式如式(8)所示；i＝1,2,…,16；

式(8)中，1/SUij是特征Xi和特征Xj的称为距离，即对称不确定性的倒数，dc是截断距离；

χ(x)是逻辑判断函数，其表达式如式(9)所示；

步骤七、分别计算各个特征对应的高密度特征距离

对16个特征按照局部密度的大小以升序重新排序；除局部密度最大的特征外，任意一个特征Xi的高密度特征距离(δi)1≤i≤15表示特征Xi与局部密度高于特征Xi的各个特征中局部密度最小的特征Xj之间的距离，其表达式如式(10)所示；i＝1,2,…,15；

局部密度最大的特征Xi的高密度特征距离(δi)i＝16表示该特征Xi与其他各特征的距离的最大值，其表达式如式(11)所示；

步骤八、计算各特征的加权后的局部密度ρi与加权后的高密度特征距离δi的乘积，作为该特征的中心指标γi，具体表达式如式(12)所示；

γi＝ρiω·(δi)(1-ω)              式(12)式(12)中，ω为局部密度对应的权重；

步骤九、将各个特征按照中心指标γi的大小进行降序排列；选择前a个特征为聚类中心；a为识别特征数；

步骤十、使用者进行三维手写字符采集，得到三维点集；对所得的三维点集进行特征提取，提取出与步骤九所得a个聚类中心相对应的特征值；根据该a个特征值，通过决策树模型识别出被测三维手写字符。

2.根据权利要求1所述的一种基于密度峰值聚类特征选择的三维手写字符识别方法，其特征在于：步骤一的具体过程如下：使用者利用手指指尖在LeapMotion体感控制器上方进行字符的绘制，LeapMotion体感控制器以超过每秒200帧的速度追踪手指的移动，采集手指指尖运动的三维坐标并得到手写字符的三维离散点集；三维离散点集中包含n个点的三维坐标，n个点的坐标表示为(xi,yi,zi),i＝1,2,...,n。

3.根据权利要求1所述的一种基于密度峰值聚类特征选择的三维手写字符识别方法，其特征在于：步骤三中预处理的步骤分成四步，分别是线性回归，倾斜校正，轨迹归一化，重采样，具体如下：

3.1、对步骤二中得到的三维离散点集进行线性回归，得到回归线；回归线的方向为(vx,vy,vz)；

3.2、对三维离散点集进行旋转；旋转后的三维离散点集内第i个点的向量 的表达式如式(1)所示；

式(1)中， 是旋转前的三维离散点集内第i个点的向量，是单位向量，θ为回归线的旋转角度，θ的表达式如式(2)所示：式(2)中， 为回归线旋转前方向； 为回归线旋转后方向；

3.3、将旋转后的三维离散点集进行归一化；

3.4、对归一化后的三维离散点集进行重采样。

4.根据权利要求1所述的一种基于密度峰值聚类特征选择的三维手写字符识别方法，其特征在于：步骤八中，局部密度对应的权重ω利用粒子群算法确定。

5.根据权利要求1所述的一种基于密度峰值聚类特征选择的三维手写字符识别方法，其特征在于：步骤九中，识别特征数a的用粒子群算法确定。