1.一种基于人体关键点时空图模型的异常行为检测方法，其特征在于：所述方法包括如下步骤：

步骤a，当获取到待检测的视频时，对视频中的目标进行人体姿态估计，对当前视频进行预处理，获得视频中每个目标的关键点坐标；

步骤b，将步骤a中获得的目标关键点在基于人体关节自然连接的关系下，各关键点互连，构造空间图，并在连续帧中添加相应关节之间的时间边，搭建目标关键点时空图模型；

步骤c，构建数据驱动的图邻接矩阵，通过矩阵加法，对步骤b中搭建的目标关键点时空图模型进行融合，一起输入到行为特征提取模型当中，获得每个目标的行为特征；

步骤d，将步骤c中获得的目标行为特征，输入到自动编码器网络中，通过编码网络的处理，将原始特征x压缩表示为隐藏特征z；

步骤e，将步骤d中的获得的潜在向量，输入到自动编码器网络中，通过解码网络的处理，将隐藏特征z恢复为新特征 编码网络和解码网络共享相同的网络参数；

步骤f，将步骤c中获得的原始行为特征与步骤e中获得的重构行为特征进行误差分析，通过特征重构误差拟合异常评分，根据误差来实现目标的异常行为检测。

2.根据权利要求1所述的一种基于人体关键点时空图模型的异常行为检测方法，其特征在于：所述步骤a中，视频预处理包括，采用了OpenPose人体姿态估计中的COCO模型，对每个目标进行人体姿态估计，获得目标的18个关键点的(x,y)坐标和置信度分数acc，得到(x,y,acc)的位置特征。

3.根据权利要求1所述的一种基于人体关键点时空图模型的异常行为检测方法，其特征在于：所述步骤b中，获得人体关键点坐标以后，搭建时空图模型包括：步骤b1，在时间和空间维度下进行坐标数据归一化，也就是将一个关节在不同帧下的位置特征(x,y,acc)进行归一化；

步骤b2，给定身体关节的序列，以人体结构中的节点为图节点，以人体结构的自然连通性为图的边，获得单帧的人体关键点图，保存为邻接矩阵，再以时间的连续性，将同一节点在连续帧中相连，获得时间段内人体的关键点时空图模型；

步骤b3，将时空图中所有关节点的距离为1的邻域，划分为分别表示根关节点自身、近重心邻居关节点和远重心邻居关节点的三个子集。

4.根据权利要求1所述的一种基于人体关键点时空图模型的异常行为检测方法，其特征在于：所述步骤c中，构建数据驱动的图邻接矩阵包括：步骤c1，把基于步骤b2中获得的人体关键点图的邻接矩阵进行初始化，获得一个新的邻接矩阵；

步骤c2，把步骤c1中获得的新邻接矩阵在神经网络训练过程中，与其它参数一起被参数化，根据训练数据的不同，获得数据驱动的图邻接矩阵。

5.根据权利要求4所述的一种基于人体关键点时空图模型的异常行为检测方法，其特征在于：所述步骤c中，获得每个目标的行为特征包括：步骤c3，把步骤c2获得的数据驱动的图邻接矩阵与步骤b获得的人体关键点时空图模型，根据网络层次的不同需求，进行矩阵加法融合；

步骤c4，根据步骤b3中获得的三个子集，在步骤c3融合后的基础上，对每个子集构建卷积核大小；

步骤c5，构建图卷积块，包括依次连接的空间图卷积层GCN、BN层、RELU层、注意力模块STC、时域卷积层TCN、BN层、RELU层；

步骤c6，构建图卷积网络，包括依次连接的BN层、6个图卷积块、GAP层和softmax层，卷积块大小从(3，64，1)逐步增加到(128，128，1)；

步骤c7，训练图卷积网络，利用模型去获得每个目标的行为特征。

6.根据权利要求1所述的一种基于人体关键点时空图模型的异常行为检测方法，其特征在于：所述步骤f中，判别异常行为的依据的基本公式如下：z＝φe(x；Θe)

上述各式中，x是输入的原始特征，φe是编码器网络Θe的参数，φd是解码器网络Θd的参数，编码器和解码器共享相同的权值参数，sx是特征x基于重构误差的异常评分。