1.一种基于神经网络的人体行为识别方法，其特征在于采用多传感器多模块，包括以下步骤：步骤1)通过开启被监测者穿戴的图像传感模块，获取以穿戴者为中心的连续图像信息，其中图像处理为n*m区域上的信息，其中n为图像横向每行像素数，m为图像纵向每列像素数；

步骤2)通过开启被监测者穿戴的运动传感模块，获取记录穿戴者运动信息的x轴加速度、y轴加速度与z轴加速度信息，其中x轴为人体竖直方向垂直且正轴指向前方，y轴与人体竖直方向平行且正轴指向头部，z轴为人体竖直方向垂直且正轴指向人体左侧；

步骤3)场景识别模块接收来自图像传感器的信息，将接收的n*m像素区域的图像信息，将原始图像进行图像灰度化与均衡化，降低传入图像的误差与扰动。将灰度化与均衡化处理后的n*m像素区域图像信息作为神经网络的输入，利用基于长短时记忆递归神经网络LSTM-RNN进行场景分类；

步骤4)动作评估模块接收来自运动传感器信息，将接收的穿戴者运动信息的x轴加速度、y轴加速度与z轴加速度存储为三维向量组V＝{(x1,y1,z1),(x2,y2,z2),...,(xn,yn,zn)}；定义tm为时间粒度，取tm时间内的三维向量组作为神经网络的输入，利用受运动数据集训练的，基于长短时记忆递归神经网络LSTM-RNN进行动作评估，获得该时间粒度内的原子动作；

步骤5)微智能服务器模块接收来自场景识别模块和动作评估模块的信息，将二者整合后，进行行为识别；取km个连续的原子动作，即以kmtm为识别时间单位，以场景元素为标签，检索运动信息数据库中的子表，进行模糊匹配，若匹配成功，则将行为识别结果返回给微智能服务器；

步骤6)微智能服务器模块按照用户设置，将行为识别模块的行为识别结果分类，按照用户的使用需求与设置，识别当前发生的动作是否达到警告级别；如果事件达到警告级别，微智能服务器会发送告警命令传递给警告模块；警告模块通过一种或多种方式对用户发出警告；

步骤7)系统界面是用户对系统调整和设置的入口，用户可通过该界面设置具体的服务器配置，将图像传感器、运动传感器绑定至系统；监视与观察系统的运行状态，设置系统的运行模式；

步骤8)运行记录模块监控并记录微智能服务器的所有运行状态，对系统运行过程的不同级别警告信息进行记录，将运行记录通过关系型数据库进行存储，用户通过系统界面查询运行记录模块的数据，对系统进行维护。

2.根据权利要求1所述的一种基于神经网络的人体行为识别方法，其特征在于所述步骤3)采用多传感器多模块，具体如下：步骤31)场景识别模块接收来自图像传感器的n*m像素区域的图像信息，主要通过对视频场景进行预处理与场景识别来描述场景底层特征，为了方便后面的场景识别，需要对场景图像进行灰度化、和均衡化处理；

步骤32)对原始场景图像进行灰度化处理，对于每一个像素点，由于人眼对红色光、绿色光、蓝色光的敏感程度不同，采用加权平均法赋予其不同的权重，可得该点的灰度值Gray＝crR+cgG+cbB，其中cr,cg,cb分别为红色光、绿色光、蓝色光在转换中的权重，cr+cg+cb＝1；

步骤33)对原始场景图像进行直方图均衡化处理，在光线不足的情况下，场景识别会出现较大的误差，因此需要对图像进行直方图均衡化，以改善对比度和亮度；上述直方图均衡化是图像处理领域中，利用图像直方图对对比度进行调整的方法，定义灰度级为其中T(r)是灰度级变换函数，rk是第k个灰度级，pr是灰度级rk出现的概率近似，nk是图像中灰度级为rk的像素个数(k＝0,1,2,...,n-1)，n是图像中像素的总数；

步骤34)经过步骤32)和步骤33)的预处理，场景图像实现了灰度化和均衡化，接着在多个数据集上训练完成循环神经网络RNN，利用该循环神经网络的全连接层输出作为提取的场景特征向量；

步骤35)利用LSTM型RNN神经网络进行场景特征分类，先计算当前时刻的候选记忆单元值 其中，tanh为双曲正切函数，xt为当前输入数据，ht-1为上一时刻LSTM单元输出值，Wxc、Whc分别表示对应输入数据和上一时刻LSTM单元输出的权值，bc为偏置量；

步骤36)使用输入门控制当前数据输入对记忆单元状态值的影响，输入门

其中σ为激励函数，ct-1为上一时刻候选记忆单元值，

和 分别表示对应输入门数据、上一时刻LSTM单元输入门和上一时刻输入门记忆单元值的权值，bi为偏置量；

步骤37)使用遗忘门控制历史信息对当前记忆单元状态值的影响，遗忘门为其中， 分别表示对应遗忘门、上一时刻LSTM单元遗忘门和上一时刻遗忘门记忆单元值的权值，bi为偏置量；

步骤38)计算当前时刻记忆单元状态值 其中，e表示逐点乘积，记忆

单元状态更新取决于自身状态ct-1和当前的候选记忆单元值 并且通过输入门和遗忘门分别对这两部分因素进行调节；

步骤3 9) 输出门 用于 控制记忆 单元状 态值的输 出 ，定义 输出门 为其中， 分别表示对应输出门、上一时刻LSTM单元输出门和上一时刻输出门记忆单元值的权值，bo为偏置量；

步骤310)计算LSTM单元的输出ht＝ot e tanh(ct)，LSTM网络采用通过时间的反向传播算法进行训练。

3.根据权利要求1所述的一种基于神经网络的人体行为识别方法，其特征在于所述步骤4)采用多传感器多模块，具体如下：步骤41)动作评估模块接收来自运动传感器的三维信息，预处理传感器加速度x,y,z三轴数据，相当于图像中的RGB三个通道；定义tm为时间粒度，取tm时间内的三维向量组作为神经网络的输入；

步骤42)在多个数据集上训练完成循环神经网络RNN，利用该循环神经网络的全连接层输出作为提取的动作特征向量；

步骤42)利用LSTM型RNN神经网络进行动作评估，执行步骤35)～步骤310)，输出tm时间段内动作评估结果。

4.根据权利要求1所述的一种基于神经网络的人体行为识别方法及系统，其特征在于所述步骤5)采用多传感器多模块，具体如下：步骤51)微智能服务器模块接收来自场景识别模块和动作评估模块的信息，取kmtm为识别时间单位，在kmtm时间内，场景识别结果不变，得到动作序列集其中Actioni为kmtm时间中第i个原子动作；

步骤52)以场景元素为标签，检索运动信息数据库中的子表，进行模糊匹配，若匹配成功，则将行为识别结果返回给微智能服务器。

5.根据权利要求1所述的一种基于神经网络的人体识别方法及系统，其特征在于，所述步骤1)中，n按照经验取352，m按照经验取288。

6.根据权利要求2所述的一种基于神经网络的人体识别方法及系统，其特征在于，所述步骤32)中，cr按照经验取0.30，cg按照经验取0.59，cb按照经验取0.11。

7.根据权利要求2所述的一种基于神经网络的人体识别方法及系统，其特征在于，所述步骤36)中，σ按照经验取logistic sigmoid函数。

8.根据权利要求1所述的一种基于神经网络的人体识别方法及系统，其特征在于，所述步骤4)中，tm按照经验取3。

9.根据权利要求1所述的一种基于神经网络的人体识别方法及系统，其特征在于，所述步骤5)中，km按照经验取5。