1.一种基于动态融合机制的手势图像特征提取方法，其特征在于：包括如下步骤：1)对原始手势图像进行尺寸归一化处理，获得手势图像；2)将手势图像输入到预训练的Xception‑Net卷积神经网络，预训练的Xception‑Net卷积神经网络提取手势图像的特征信息并输出原始特征向量；3)将原始特征向量输入空间特征动态融合机制结构，空间特征动态融合机制结构输出动态融合后的手势图像特征向量；4)原始特征向量和动态融合后的手势图像特征向量输入到SE‑Net结构(Squeeze‑and‑Exciation  Networks)中，获得重标定后的特征向量，将重标定后的特征向量输入到Softmax分类器进行分类，获得手势图像的分类结果。2.根据权利要求1所述的一种基于动态融合机制的手势图像特征提取方法，其特征在于：所述步骤2)具体为：Xception‑Net卷积神经网络主要由深度可分离卷积结构和除深度可分离卷积结构以外的模块组成，深度可分离卷积结构包括Depthwise卷积模块和Pointwise卷积模块，手势图像经过除深度可分离卷积结构以外的模块后输出中间手势图像，中间手势图像中存在多个特征通道，将每个特征通道单独输入Depthwise卷积模块中，Depthwise卷积模块提取每个特征通道中的空间特征，提取的每个特征通道中的空间特征输入到Pointwise卷积模块中，Pointwise卷积模块提取空间特征中的通道信息后获得通道特征并将空间特征和通道特征进行卷积，卷积后获得一个包含手势图像特征信息的原始特征向量。3.根据权利要求1所述的一种基于动态融合机制的手势图像特征提取方法，其特征在于：所述步骤3)具体为：空间特征动态融合机制结构包括下采样模块(Down‑sampling)、第一特征压缩模块(Compress)、特征权重提取模块(Extract)、上采样模块(Up‑sampling)和权重相乘层；原始特征向量输入下采样模块，下采样模块依次经第一特征压缩模块、特征权重提取模块后与上采样模块相连，上采样模块的输出与原始特征向量同时输入权重相乘层，权重相乘层输出动态融合后的手势图像特征向量。4.根据权利要求3所述的一种基于动态融合机制的手势图像特征提取方法，其特征在于：所述下采样模块主要由最大池化层(MaxPooling)组成，原始特征向量输入最大池化层；第一特征压缩模块包括全局最大池化层和第一全局平均池化层，下采样模块的最大池化层的输出同时分别输入全局最大池化层和第一全局平均池化层，全局最大池化层和全局平均池化层的输出进行融合后输出，融合后的输出作为第一特征压缩模块的输出；特征权重提取模块包括一个卷积层，第一特征压缩模块的输出输入到卷积层，卷积层输出特征权重向量；上采样模块包括一个上采样层，卷积层输出的特征权重向量输入到上采样层，上采样层的输出和原始特征向量共同输入到权重相乘层，权重相乘层的输出作为动态融合后的手势图像特征向量。5.根据权利要求1所述的一种基于动态融合机制的手势图像特征提取方法，其特征在于：所述步骤4)具体为：SE‑Net结构包括第二特征压缩模块(Squeeze)、特征激励模块(Excitation)和特征重标定模块(Reweight)；第二特征压缩模块经特征激励模块后与特征重标定模块相连，原始

特征向量输入到第二特征压缩模块，第二特征压缩模块的输出输入到特征激励模块，特征激励模块的输出和动态融合后的手势图像特征向量输入到特征重标定模块，特征重标定模块输出到Softmax分类器进行分类，获得手势图像的分类结果。6.根据权利要求5所述的一种基于动态融合机制的手势图像特征提取方法，其特征在于：所述第二特征压缩模块包括第二全局平均池化层(Global  Average  Pooling)，原始特征向量输入到第二全局平均池化层；特征激励模块主要由第一全连接层、第一激活层、第二全连接层和第二激活层依次连接组成；第二全局平均池化层的输出输入到第一全连接层，第二激活层的输出作为特征激励模块的输出；特征重标定模块具体为重标定相乘，第二激活层的输出和动态融合后的手势图像特征向量经过相乘后输出到Softmax分类器进行分类，获得手势图像的分类结果。