1.一种对异常行为的视觉分析处理方法，其特征在于，包括以下步骤：步骤S1：收集多组目标光流数据、人脸纹理特征数据、人脸标记数据；

步骤S2：对收集到的数据进行预处理，然后输入三类模型进行训练，获取训练数据并调整模型参数；

具体的：对收集到的数据进行预处理来构造训练数据与基本模型参数，并使用LK算法得到目标像素点的光流向量；加载dlib自带的frontal_face_detector作为人脸征检测器，并构建特征提取器，得到人脸纹理特征数据；使用LBP算法得到人脸标记数据；

所述三类模型包括LK光流模型、LBP模型及dilb模型；利用dilb库提取的人脸纹理特征进行图像人脸个数的识别；利用LK光流模型判断被看护人异常肢体行为与是否掉下床的识别、利用LBP模型与机器学习算法实现被看护人与其他人的区分，最终输出得到病人状况的异常与否；

所述三类模型构建具体公式如下：其中x为图像下标；p为目标状态变量，W为仿射变化函数，对公式(1)进行一阶泰勒公式展开可得：

其中， 设I已经展开成一列n维向量，则 为I在W(x；p)的梯度；

求公式(2)关于Δp的偏导数：让公式(3)等于0，则：

其中

结合上式：得到LK算法最终公式：LBP算法用公式表示为：

其中(Xc，yc)是中心像素，ic是灰度值，in是相邻像素的灰度值，s是符号函数：步骤S3：测试训练数据，后获取模型参数，多次对训练数据进行训练以修正模型参数来提高模型精度；

步骤S4：将该三类模型设置主要输出参数，以调整模型，将待测图像中收集到的数据与训练数据相匹配，综合比较三类测试模型与训练模型的比较结果，最终模型输出被看护人的状况。

2.根据权利要求1所述的对异常行为的视觉分析处理方法，其特征在于，步骤S2中，在使用dlib库的模型特征提取器中，输出人脸个数后，使用predictor进行人脸关键点识别，绘出关键点。

3.根据权利要求1所述的对异常行为的视觉分析处理方法，其特征在于，步骤S3具体为：测试样本数据微调训练得到模型参数，其中参数包括：图像中心像素点的LBP值，公式(2)所提到梯度下降值，通过 求出状态参数的变化，即通过梯度下降方法来寻找局部最优解。