1.一种基于知识蒸馏的手势识别方法，其特征在于，包括以下步骤：采集手势的CSI数据，并对所述CSI数据进行去噪处理；

采用主成分分析和局部异常因子算法，对去噪后的所述CSI数据进行分割，获得动态手势；

基于主成分分析和局部异常因子的动态手势分割算法的计算过程为：Step1：通过PCA算法对每条天线的CSI矩阵进行降维，得到每条天线中贡献率最大的主成分分量；其中，PCA算法的计算过程为：首先，对采集的样本去中心化，CSI矩阵表示为 ， 的矩阵维度表示为 ，计算过程为：

，

然后，求解协方差矩阵，计算过程为：

，

再对矩阵C进行特征分解，将得到的特征值由大到小排序，获取特征值对应的特征向量矩阵V，表示为：，

最后，将矩阵按照贡献率映射到新的特征空间Y中，计算过程为：，

Step2：LOF算法通过计算第一主成分分量中各数据点的相对密度，从而分割出动态手势；LOF算法的计算过程为：假设CSI矩阵中有两个点，分别为 点和 点， 表示两点间的距离；同时，定义点的第 距离为 ，第 距离必须满足在以 点为圆点、 为半径的圆内最多有不包括 点在内的 个点；其中，第 距离邻域点的个数；得到 点到 点的距离为：

，

则 点的局部密度为：

，

由此推导得到 点的局部离群因子为：

，

当人体处于静止状态时，CSI的波动幅度小，相对稳定；当手势发生时，CSI的波动幅度大；因此，根据求得的LOF值判断手势的起始点，当LOF值小于等于1时，说明点周围密度均匀，数据点相对密集，为静止状态；当LOF值大于1时，说明点周围密度低，为异常点，手势发生；

将所述动态手势构建为手势图像，并对所述手势图像进行预处理；

将所述动态手势构建为手势图像的方法为：将所述动态手势的振幅和相位按行进行拼接；

将拼接后的所述动态手势进行整合，获得所述手势图像；

将手势图像按照时间顺序依次输入到EfficientNet网络提取空间特征，EfficientNet网络的关键就是堆叠了多层MBConv模块，为了使模型具有更好的性能，采用了ECA模块代替了MBConv中原来的SE模块，为了提高特征提取效果，在输入GRU网络之前采用2层全连接层对特征进行降维，再采用GRU挖掘图像之间的时序关联，GRU网络的隐层节点数一个为128，一个为56，网络层数分别为1，最后经过全连接层后采用 函数输出每种手势的概率值；

构建EfficientNet‑GRU模型；

采用知识蒸馏的方法，对所述EfficientNet‑GRU模型进行压缩，基于压缩后的所述EfficientNet‑GRU模型，完成对预处理后的所述手势图像的分类；

将EfficientNet‑GRU网络作为教师模型，MoblieNet‑GRU网络作为学生模型；

采用两个教师模型来提升学生模型的分类表现：选择EfficientNet‑B3‑GRU作为教师模型1，EfficientNet‑B0‑GRU作为教师模型2，以算数平均的方式得到软标签的损失函数为：，

式中， 表示教师模型1的软标签损失函数； 表示教师模型2的软标签损失函数；

采用MoblieNetV2‑GRU作为学生模型，MoblieNetV2网络在bottleneck内部引入倒残差块；改用了ReLU6激活函数，ReLU6的数学表达式为：。

2.根据权利要求1所述的基于知识蒸馏的手势识别方法，其特征在于，对所述手势图像进行预处理的方法为：采用transforms.Resize方法,对所述手势图像的尺寸进行调整，获得大小一致的手势图像；

采用transforms.Normalize方法，对所述大小一致的手势图像进行标准化处理。

3.一种基于知识蒸馏的手势识别系统，其特征在于，包括：采集模块、获得模块、预处理模块、构建模块和分类模块；

所述采集模块用于采集手势的CSI数据，并对所述CSI数据进行去噪处理；

所述获得模块用于采用主成分分析和局部异常因子算法，对去噪后的所述CSI数据进行分割，获得动态手势；

基于主成分分析和局部异常因子的动态手势分割算法的计算过程为：Step1：通过PCA算法对每条天线的CSI矩阵进行降维，得到每条天线中贡献率最大的主成分分量；其中，PCA算法的计算过程为：首先，对采集的样本去中心化，CSI矩阵表示为 ， 的矩阵维度表示为 ，计算过程为：

，

然后，求解协方差矩阵，计算过程为：

，

再对矩阵C进行特征分解，将得到的特征值由大到小排序，获取特征值对应的特征向量矩阵V，表示为：，

最后，将矩阵按照贡献率映射到新的特征空间Y中，计算过程为：，

Step2：LOF算法通过计算第一主成分分量中各数据点的相对密度，从而分割出动态手势；LOF算法的计算过程为：假设CSI矩阵中有两个点，分别为 点和 点， 表示两点间的距离；同时，定义点的第 距离为 ，第 距离必须满足在以 点为圆点、 为半径的圆内最多有不包括 点在内的 个点；其中，第 距离邻域点的个数；得到 点到 点的距离为：

，

则 点的局部密度为：

，

由此推导得到 点的局部离群因子为：

，

当人体处于静止状态时，CSI的波动幅度小，相对稳定；当手势发生时，CSI的波动幅度大；因此，根据求得的LOF值判断手势的起始点，当LOF值小于等于1时，说明点周围密度均匀，数据点相对密集，为静止状态；当LOF值大于1时，说明点周围密度低，为异常点，手势发生；

所述预处理模块用于将所述动态手势构建为手势图像，并对所述手势图像进行预处理；

将所述动态手势构建为手势图像的方法为：将所述动态手势的振幅和相位按行进行拼接；

将拼接后的所述动态手势进行整合，获得所述手势图像；

将手势图像按照时间顺序依次输入到EfficientNet网络提取空间特征，EfficientNet网络的关键就是堆叠了多层MBConv模块，为了使模型具有更好的性能，采用了ECA模块代替了MBConv中原来的SE模块，为了提高特征提取效果，在输入GRU网络之前采用2层全连接层对特征进行降维，再采用GRU挖掘图像之间的时序关联，GRU网络的隐层节点数一个为128，一个为56，网络层数分别为1，最后经过全连接层后采用 函数输出每种手势的概率值；

所述构建模块用于构建EfficientNet‑GRU模型；

所述分类模块用于采用知识蒸馏的方法，对所述EfficientNet‑GRU模型进行压缩，基于压缩后的所述EfficientNet‑GRU模型，完成对预处理后的所述手势图像的分类；

将EfficientNet‑GRU网络作为教师模型，MoblieNet‑GRU网络作为学生模型；

采用两个教师模型来提升学生模型的分类表现：选择EfficientNet‑B3‑GRU作为教师模型1，EfficientNet‑B0‑GRU作为教师模型2，以算数平均的方式得到软标签的损失函数为：，

式中， 表示教师模型1的软标签损失函数； 表示教师模型2的软标签损失函数；

采用MoblieNetV2‑GRU作为学生模型，MoblieNetV2网络在bottleneck内部引入倒残差块；改用了ReLU6激活函数，ReLU6的数学表达式为：。