1.一种基于融合特征的人体动作分类方法，其特征在于，包括以下步骤：(1)输入多个带标签的人体动作视频，将各动作视频转换成帧序列；

(2)使用预训练的沙漏人体姿势估计模型预测各帧的人体关节点3D坐标，得到关节点

3D坐标数据集；具体方法为：

(201)定义循环变量i1，用于遍历帧序列集合AF，i1∈[1，len(AF)]，i1赋初值为1；

(202)遍历AF，如果i1≤len(AF)，跳转到步骤(203)，否则结束遍历AF，跳转到步骤(208)输出人体关节点坐标集合；

(203)定义循环变量i2，用于遍历acframei1，i2∈[1，len(acframei1)]，i2赋初值为1，acframei1表示AF中第i1组帧序列；

(204)遍历acframei1，如果i2≤len(acframei1)，跳转到步骤(205)，否则结束遍历acframei1，跳转到步骤(207)继续循环操作；

(205)使用预训练的沙漏人体姿势估计模型预测Imgi2中人体16个关节点对应的3D坐标集Sframe＝{f1，f2，…，f16}，其中，Imgi2表示acframei1中第i2帧，fk＝(xk，yk，zk)，xk、yk、zk分别表示第k个关节点对应的横坐标、纵坐标、垂直坐标，满足k∈[1，16]；

(206)令i2＝i2+1，跳转到步骤(204)；

(207)令i1＝i1+1，跳转到步骤(202)；

(208)得到人体关节点坐标集合Skeleton，满足Skeleton＝{Saction1，Saction2，…，SactionM}，其中，SactionM表示第M组帧序列对应的人体关节点3D坐标集合；

(3)将人体关节点坐标投影至三维平面；具体方法为：(301)定义循环变量i3，用于遍历Skeleton，i3∈[1，len(Skeleton)]，i3赋初值为1；

(302)遍历Skeleton，如果i3≤len(Skeleton)则跳转到步骤(303)，否则结束遍历Skeleton，跳转到步骤(311)输出三维坐标集合；

(303)定义循环变量i4用于遍历Sactioni3，Sactioni3表示Skeleton中第i3组人体关节点坐标集合，i4∈[1，len(Sactioni3)]，i4赋值为1；

(304)遍历Sactioni3，如果i4≤len(Sactioni3)则跳转到步骤(305)，否则结束遍历Sactioni3，跳转到步骤(306)继续循环操作；

(305)定义循环变量i5用于遍历Sframei4，Sframei4表示Sactioni3中的第i4帧，i5∈[1，len(Sframei4)]，i5赋值为1；

(306)令i3＝i3+1，跳转到步骤(302)；

(307)遍历Sframei4，如果i5≤len(Sframei4)则跳转到步骤(308)，否则结束遍历Sframei4，跳转到步骤(310)继续循环操作；

(308)将帧Sframei4中第i5个坐标点fi5分别向xy平面、xz平面、yz平面投影，得到投影后的2维向量XY、XZ、YZ，满足fi5＝(xi5,yi5,zi5)，xi5、yi5、zi5分别表示第i5个坐标点对应的横坐标、纵坐标、垂直坐标，具体公式如下：

其中，(ax,ay)表示fi5向xy轴投影后的坐标，(bx,bz)表示fi5向xz轴投影后的坐标，(cy,cz)表示fi5向yz轴投影后的坐标；

(309)令i5＝i5+1，跳转到步骤(307)；

(310)令i4＝i4+1，跳转到步骤(304)；

(311)得到所有关节点坐标投影后的数据集合Trans1、Trans2、Trans3，Trans1＝{id2，label，id3，id4，XY}，Trans2＝{id2，label，id3，id4，XZ}，Trans3＝{id2，label，id3，id4，YZ}，其中id2、label、id3和id4分别表示动作序号、动作标签、帧序号、关节点序号；

(312)得到Skeleton投影后的数据集合Trans1、Trans2、Trans3，满足len(Trans1)＝len(Trans2)＝len(Trans3)；

(4)使用长短期记忆网络、门控循环单元两种模型分别对投影后的数据进行特征提取，将提取的两组特征向量进行融合；

(5)基于融合后的特征训练人体动作视频分类模型，将视频数据输入训练好的人体动作视频分类模型，得到人体动作视频分类结果。

2.根据权利要求1所述的基于融合特征的人体动作分类方法，其特征在于，所述步骤(1)的具体方法为：

(101)输入人体动作视频训练集AC，测试集Ttest，定义函数len(X)表示集合X的长度，满足len(AC)：len(Ttest)＝1:1；

(102)定义id、label、fnum分别为单个带标签的动作视频action的序号、标签、帧数，满足action＝{id，label，fnum}，令AC＝{action1，action2，...，actionM}，其中，actionM表示AC中第M个视频，全局变量M∈[1，len(AC)]；

(103)定义循环变量i0用于遍历AC，i0∈[1，len(AC)]，i0赋初值为1；

(104)遍历AC，如果i0≤len(AC)，跳转到步骤(105)，否则结束遍历AC，跳转到步骤(107)，输出遍历得到的帧序列集合；

(105)将视频actioni0转换为帧序列acframei0，其中，actioni0表示集合AC中第i0个子集，满足acframei0＝{Img1，Img2，…，ImgN}，Imgn表示acframei0中序号为n的帧，n∈[1，len(acframei0)]；

(106)令i0＝i0+1，跳转到步骤(104)；

(107)得到帧序列集合AF＝{acframe1，acframe2，…，acframeM}，其中，acframeM表示AF中第M组帧序列。

3.根据权利要求1所述的基于融合特征的人体动作分类方法，其特征在于，所述步骤(4)的具体方法为：

(401)定义SA、SB、SC分别表示Trans1、Trans2、Trans3中相同标签序号的样本，满足SA∈Trans1，SB∈Trans2，SC∈Trans3，同时跳转到步骤(402)、步骤(403)；

(402)通过GRU分别提取SA、SB、SC的特征向量G1、G2、G3；

(403)通过LSTM分别提取SA、SB、SC的特征向量L1、L2、L3；

(404)通过1D卷积将G1、G2、G3转换为特征向量D1、D2、D3，将L1、L2、L3转换为特征向量D4、D5、D6具体公式如下：

其中，h(k)表示一维卷积核，u(k)表示输入的特征向量，y(k)表示输出的特征向量；

(405)将特征向量D1、D2、D3、D4、D5、D6相加融合得到特征向量D7，具体公式如下：D7＝D1+D2+D3+D4+D5+D6；

4.根据权利要求1所述的基于融合特征的人体动作分类方法，其特征在于，所述步骤(5)的具体方法为：

(501)定义循环变量i6，用于分别遍历Trans1、Trans2、Trans3，i6∈[1，len(Trans1)]，i6赋初值为1，已知len(Trans1)＝len(Trans2)＝len(Trans3)；

(502)分别遍历Trans1、Trans2、Trans3，如果i6≤len(Trans1)，跳转到步骤(503)，否则结束遍历操作，跳转到步骤(507)得到训练好的模型；

(503)得到Trans1、Trans2、Trans3中标签序号为i6的样本Sample1、Sample2、Sample3；

(504)根据步骤(4)所述的方法处理Sample1、Sample2、Sample3，得到特征向量D7i6；

(505)将D7i6输入隐藏状态层Hidden进行训练，得到隐藏状态向量h；

具体公式如下：

(hh) (hx)

ht＝σ(W ht‑1+W x[t])；

其中，ht表示t时刻的隐藏层状态，ht‑1表示t‑1时刻的隐藏层状态，x[t]表示t时刻输入的(hx) (hh)

特征向量，W 、W 分别表示隐藏层输入、输出权重矩阵；

(506)i6＝i6+1，跳转到步骤(502)；

(507)得到训练好的模型Model；

(508)将人体动作视频测试集Ttest输入Model，对输出隐藏状态向量h应用Softmax运算后得到各标签预测结果TRP，TRP＝{plabel,rlabel}，其中，plabel、rlabel分别表示预测类别标签、实际类别标签，具体公式如下：(S)

yt＝softmax(W ht)；

(S)

其中，yt表示t时刻Softmax的输出结果，ht表示t时刻输入的隐藏状态向量，W 表示Softmax输出权重矩阵。