1.一种动作识别方法，其特征在于，包括：

步骤1）：通过设备获取图片序列集；

步骤2）：构建深度学习目标检测网络，将图片序列集输入到检测网络中，获得检测框集；

步骤3）：将检测框集转化为时空图；

步骤4）：获取图片、设备ID号、图像时间戳，并结合时空图，进行轨迹生成和轨迹数组对比；

步骤5）：通过时空图和轨迹数组的信息对轨迹数组进行更新，确认动作；

步骤6）：根据时间戳对轨迹数组进行接力更新，让轨迹数组保持动态性；

在步骤2）中，获得的检测框集为：图像经过检测网络获得物体检测框集和人体检测框集；

在步骤3）中，把检测框集转化成时空图的方法为：排序、过滤和对比，该时空图为多目标时空图，该多目标时空图包括物体时空图和人体时空图，将物体时空图和人体时空图进行人体关联处理，将人体时空图的面积和物体时空图的面积进行交并集比，过滤不符合需求条件的物体时空图；

在步骤6）中，对每个设备轨迹存储数组进行接力更新的方法为：提取轨迹数组有实际数据的部分，形成局部轨迹数组，所述的局部轨迹数组每一条轨迹下的每一帧进行遍历，对每一类最后一帧的信息作为当前帧进行判断，如数组信息的趋势个数能判定动作的状态，开始重新计数运动状态数，将当前帧的趋势个数重置，把当前帧的信息赋值作为轨迹存储数组的第一帧，轨迹存储数组其他帧重置为初始状态；

在步骤6）中，轨迹数组接力更新后，动作代表时间戳更新为当前图片的时间戳，代表图像更新为当前时空图，代表性图像置信度更新为当前目标对象的置信度。

2.如权利要求1所述的动作识别方法，其特征在于，在步骤1）中，获取图片序列集的方法为：通过设备采集视频，对视频进行抽帧处理，得到多个图像帧序列。

3.如权利要求1所述的动作识别方法，其特征在于，在步骤4）中，将时空图、图片、设备ID号、图像时间戳和该设备的轨迹数组进行交叉比对，以获得在该设备中属于该类别的轨迹，在比对的结果选取各自代表的帧信息，以当前时空图的信息构成当前帧信息，轨迹数组相应的类最后一帧信息构成前一帧信息，计算两帧中物体中心点的偏移量，来确认运动趋势。

4.如权利要求1所述的动作识别方法，其特征在于，在步骤5）中，通过每个设备的每一个时间戳的时空图不断更新其轨迹数组，把数组存储的上一帧数组信息和当前帧的时空图信息进行物体中心点偏移量的判断，从而确认某一小阶段的运动趋势，然后把当前帧的交叉比数组存储到轨迹数组中。

5.如权利要求1所述的动作识别方法，其特征在于，在步骤6）中，按照动作保留时长存在的时间戳长度，对轨迹数组进行选择和过滤，根据动作最小判断阈值去更新轨迹数组的运动状态数。