1.一种戒毒运动锻炼成效评价方法，其特征在于：所述评价方法包括如下步骤，步骤1：从吸毒者运动锻炼系统中获取相应的吸毒者的运动锻炼方案数据；

步骤2：通过摄像头采集吸毒者实际运动视频数据；

步骤3：从实际运动视频数据进行截取帧图片；

步骤4：对运动图片数据进行动作识别，描出运动动作框；

步骤5：根据原图的时间对识别后的运动动作框进行整合，并在坐标轴上描出运动轨迹；

步骤6：获取运动轨迹的最坐标点数据；

步骤7：把获取运动轨迹的坐标点数据与运动训练相应动作的坐标点数据进行比较；

步骤8：根据对比数据计算动作完成率，完成成效评价。

2.根据权利要求1所述的一种戒毒运动锻炼成效评价方法，其特征在于：所述步骤1中获取吸毒者的运动锻炼方案数据的具体过程为：通过串口接入吸毒者的运动锻炼方案系统，把吸毒者的运动锻炼方案系统内的相应吸毒者的运动训练方案传输出来，虚吸毒者的运动锻炼方案系统内预先存储有吸毒者运动训练的具体方案，包括每个运动的具体数据坐标点和运动轨迹。

3.根据权利要求1所述的一种戒毒运动锻炼成效评价方法，其特征在于：所述步骤2中采集吸毒者实际运动视频数据的具体过程为：通过摄像头拍摄吸毒者在运动过程整体的视频数据，所述摄像头的个数为两个，一个设置在吸毒者运动的前方或者后方，另一个设置在吸毒者的左侧或者右侧。

4.根据权利要求3所述的一种戒毒运动锻炼成效评价方法，其特征在于：所述步骤3中把两个摄像头的视频图像均进行分解，并把拍摄的时间作为分解的标签，把同一时间的图片进行组合成为一张图片，得到若干张的吸毒者运动双向图，组合的具体过程为把图片拼接为一张图，不改变图像和像素内容。

5.根据权利要求4所述的一种戒毒运动锻炼成效评价方法，其特征在于：所述步骤4中识别的具体过程为：步骤4.1：拍摄和收集复杂背景下的运动锻炼图像，对所有图像的身体形态轮廓进行人工标注并生成标签图，再将原图和标签图进行图像增强处理；

步骤4.2：用经过图像增强后的图像对U型残差胶囊网络进行训练，把复杂背景下的运动锻炼图像输入训练好后的U型残差胶囊网络分割出二值化运动锻炼图像；

步骤4.3：将步骤4.2中分割出来的二值化运动锻炼图像经过图像定位得到矩形包围框，把包围框所对应的原图和分割图相乘最终得到分割出来的身体形态图像；

步骤4.4：利用不同运动形状的身体形态图像训练改进矩阵胶囊网络，输出训练好的改进矩阵胶囊网络模型，将步骤4.3分割出的身体形态图像输入改进矩阵胶囊网络模型，使用改进矩阵胶囊网络模型分类出每种不同的身体形态，实现身体形态图像的识别。

6.根据权利要求5所述的一种戒毒运动锻炼成效评价方法，其特征在于：所述步骤4.1-步骤4.4的详细过程为：U型残差胶囊网络由胶囊卷积层和胶囊残差块组成，U型残差胶囊网络的左侧部分使用胶囊卷积层和胶囊残差块对图像进行提取深层特征，U型残差胶囊网络的下面使用两个胶囊残差块作为中间层，U型残差胶囊网络的右侧部分使用胶囊反卷积层进行上采样放大图像，并把U型残差胶囊网络的左侧提取的特征拼接到右侧再进行提取特征，最终输出端还原回原图像大小的身体形态分割图；

所述胶囊卷积层的原理算式为：

式中输入胶囊ui进乘以姿态调节向量wij得

动态路由公式为：

其中，cij为动态路由耦合系数(即概率向量)，bij初始化为0，sj是所有预测向量和概率向量的加权之和；

将公式(1)带入动态路由公式(2-5)循环训练15次；

所述胶囊残差块由两块胶囊卷积层组成，先把输入进行批标准化，再输入到两个胶囊卷积层，第二层胶囊卷积层输出后再进行批标准化，两路输出相加再输出结果；

图像定位的具体过程为先进行图像模糊去噪，用9*9内核的低通滤波器平滑图像，每个像素替换为该像素周围像素的均值，去除分割图的噪声，然后对图像进行腐蚀去斑处理去除大点的白色斑块，算出腐蚀剩下目标的轮廓区域，根据轮廓区域求得最大边框，根据最大边框裁剪出原图和二值化图，最终将这两图合并得到彩色身体形态图像；

矩阵胶囊网络由普通卷基层、主胶囊层、胶囊卷积层和胶囊分类层组成，矩阵胶囊网络则是把每个神经元向量做成一个n*n大小的姿态矩阵，矩阵胶囊网络最后两层的卷积胶囊层用于实现卷积、姿态变换以及以EM动态路由三个步骤，使用EM算法实现了聚类过程，E步具体算式为：其中，xi为输入的投票向量，aj代表为第j类的高斯混合系数， 代表数据xi在第j类的高斯分布，分母代表k个混合高斯分布之和，最终求得后验概率p(j|xi)；

M步的公式为：

由公式(7-8)实现了按样本加权平均来估计第j类的均值，由公式(7-9)求得方差值，并由一下公式求得熵costj，若熵值越小则属于第j类，使用sigmoid函数将值压缩到0到1之间作为激活函数，即高斯混合系数：aj＝sigmoid(λ(βa-costj))    (11)式中选择加入λ是退火策略，该值作为温度值的倒数，随着训练次数的增加，温度下降让λ慢慢增大，使得激活函数也增大；

每层胶囊层都分配有公式(10-11)中的参数βa和βμ，该参数通过反向传播进行训练，公式(6-11)选择3次迭代次数，实现动态路由处理；

训练时，将训练网络输出的预测值和真实输入到Loss函数中，Loss函数为：Loss＝log(Dice_loss)+α*Focal_loss    (12)(12)式中的Loss由Dice loss和Focal loss组合而成，实现有效组合这两个loss，将两者缩放到一致的数量级才能训练，使用-log放大Dice loss，同时加入放缩因子α缩小Focal loss的大小；

Dice_loss＝1-dice_coef＝1-2|A∩B|/(|A|+|B|)    (13)(13)式中Dice loss中的A和B分别为标签图和网络输出的预测图，该loss计算了A和B的相似度，当无限逼近相似时，dice_coef的值为1；

(14)式中的Focal loss专注于难以分类的样本，由于训练图像的背景占比很大，而身体形态占比很小，会导致负样本loss占据主导，γ值,取值为2，β取0.25，从而能够调节正负样本的平衡；

经过不断训练迭代更新胶囊分割网络的权重，直到Loss函数收敛，输出胶囊分割网络模型，利用胶囊分割模型进行身体形态图像的分割；

训练改进矩阵胶囊网络的具体过程为：将训练改进矩阵胶囊网络激活向量输入到marginloss函数中，loss如下式所示：(15)式中的k指的是第k分类，margin loss把每个分类的loss都加起来再取平均值，式中的λ是比例系数，调节两者的权重，式中的m+、m-分别取值0.9和0.1，则LK若要为0，那么当第k分类为正样本时，即TK为1，||vk||的长度必须要超过0.9才不会有loss误差，当第k分类为负样本时，即TK为0，||vk||的长度必须小于0.1要且才不会有loss误差，把预测的结果和真实值输入loss函数，然后进行权值更新。

7.根据权利要求6所述的一种戒毒运动锻炼成效评价方法，其特征在于：所述步骤5-步骤6的具体过程为，把各个识别后的身体形态框安装时间顺序进行拼接，形成肢体运动轨迹，并把轨迹的坐标数据进行采集，然后选取轨迹的极值点的坐标数据。

8.根据权利要求7所述的一种戒毒运动锻炼成效评价方法，其特征在于：所述步骤7中把每个识别后的帧图像的坐标数据与训练方案的坐标数据进行横坐标和中坐标分别进行比较大小。

9.根据权利要求8所述的一种戒毒运动锻炼成效评价方法，其特征在于：所述比较的过程为，同一时刻的动作的极值点进行做除法比较，得到完成率，具体为：card(P)为训练方案的动作极值点，card(S)为吸毒者实际运动的动作极值点，a为完成率。

10.根据权利要求9所述的一种戒毒运动锻炼成效评价方法，其特征在于：所述步骤7中的具体过程为:计算动作成效浪费率：

其中，浪费基数与极值点的绝对值成正比，范围为0.7-0.98；

f(a,b)＝a2+(1-b)2

f(a,b)为运动成效评价数值。