1.基于深度时空卷积自编码器的跌倒行为检测方法，其特征在于，该方法包括：预处理正常活动的视频帧数据；

对预处理正常活动的视频帧数据后的数据降噪处理；

采用3D卷积构建深度时空卷积自编码器跌倒异常检测模型；包括：自编码器的模型输入为连续视频帧，这些帧是通过将时间滑动窗口应用于视频生成的，生成公式如下：其中，G为视频帧数，T为连续帧的长度，S为步幅，D为生成的输入连续视频帧数；

深度时空卷积自编码器跌倒异常检测模型包括编码器和解码器，其中，编码器负责把视频帧输入编码为时空特征，解码器则从时空特征中重建输入；编码器包括3D卷积层和池化层，3D卷积层输出公式：其中， 为第i个3D卷积层在第j个特征图(x,y,z)位置上的输出值，Pi，Qi，Si分别是立体滤波器在第i个层上的垂直空间、水平空间和时间范围，m表示第(i‑1)层的特征映射集， 表示上一层中第m个特征图映射连接位置pqs处立体滤波器的值，多个立体滤波器将输出多个特征图；

训练深度时空卷积自编码器跌倒异常检测模型；包括：使用降噪处理后的数据对训练深度时空卷积自编码器跌倒异常检测模型模型训练，通过减小模型输出的重建误差和损失函数来更新网络参数，并通过在损失函数中添加一个正则项来进行惩罚，通过反向传播算法最小化重构误差和损失函数，并在训练过程中不断调整和迭代模型参数，直到得到深度时空卷积自编码器跌倒异常检测模型，完成训练；

训练过程公式如下：

其中， 为视频帧的重构误差的平均值，Ri,j为输入Ii和输出Oi第j帧的重构误差；

其中， 视频帧的重构误差的标准差；

2

Ri,j＝E[(Ii,j‑Oi,j) ]

其中，E为平均值；

对损失函数J()中添加一个KL散度正则项，使得深度时空卷积自编码器努力去减少神经网络编码层中活跃的神经元，这就迫使自编码器去将每个输入表示为少量激活神经元的组合，结果编码层中的每个神经元代表一个有用的特征；

KL散度公式如下：

其中， 为神经元的激活度，ρ为稀疏性参数；

将函数 加入到损失函数J()中，

其中，β为控制稀疏性惩罚项的权重系数，m为神经元个数；识别视频帧有跌倒异常。

2.根据权利要求1所述的基于深度时空卷积自编码器的跌倒行为检测方法，其特征在于，所述预处理正常活动的视频帧数据包括：对正常活动的视频帧做孔填充处理，使得视频帧中的黑色孔和区域得到修复。

3.根据权利要求1所述的基于深度时空卷积自编码器的跌倒行为检测方法，其特征在于，所述对预处理正常活动的视频帧数据后的数据降噪处理包括：处理过程如下：对所述预处理正常活动的视频帧数据进行高斯噪声处理，处理过程公式如下：编码函数编码过程：

其中，h为高斯噪声处理后得到的数据，f()为3D卷积编码， 为高斯噪声之后的模型；

解码函数解码过程：

y＝g(h)

其中，y为模型输出，g()为3D反卷积；

降噪自编码器的损失函数为：

其中，J()为损失函数输出，L()为平方差，x为输入。

4.根据权利要求1所述的基于深度时空卷积自编码器的跌倒行为检测方法，其特征在于，所述编码器包括3个3D卷积层和3个池化层，激活函数为Relu函数。

5.根据权利要求1或4所述的基于深度时空卷积自编码器的跌倒行为检测方法，其特征在于，所述解码器包括4个3D反卷积，激活函数为tanh，其中，卷积层输出后设置随机丢弃层，以防止模型过拟合。

6.基于深度时空卷积自编码器的跌倒行为检测装置，应用于如权利要求1‑5任一项所述的基于深度时空卷积自编码器的跌倒行为检测方法，其特征在于，包括：视频帧采集模块，用于采集视频帧，发送给识别模块识别；

预处理模块，用于预处理正常活动的视频帧数据，其中，对正常活动的视频帧做孔填充处理；

降噪模块，用于对预处理正常活动的视频帧数据后的数据降噪处理；

构建模块，用于采用3D卷积构建深度时空卷积自编码器跌倒异常检测模型；

训练模块，用于训练深度时空卷积自编码器跌倒异常检测模型；以及识别模块，用于识别视频帧有跌倒异常。

7.根据权利要求6所述的基于深度时空卷积自编码器的跌倒行为检测装置，其特征在于，所述视频帧采集模块为深度视频帧采集模块。