1.一种复杂行为识别方法，其特征在于，包括：获取目标视频，将所述目标视频中所需待检测的目标复杂行为分解成基于时序的若干运动图片帧组，将每一运动图片帧组根据人体运动关节节点以及关节节点特征转化成动作的数字化语义表示ξ={n，A}，n代表动作的动作名称，A代表动作的数字化特征矩阵；其中，所述运动图片帧组的一个人体运动关节节点的运行信息由一组浮点数进行数字化表示；

将所述目标复杂行为基于每一运动图片帧组的数字化语义表示进一步转化成基于时序的动作组合的数字化语义集合表示b={[ξ1,ξ2,…]，…，[ξx,ξy,…]}；式中，[ξ1,ξ2,…]，[ξx,ξy,…]分别代表构成所述目标复杂行为的一系列动作的不同组合；

将所述目标复杂行为的数字化语义集合表示b={[ξ1,ξ2,…]，…，[ξx,ξy,…]}通过多尺度神经网络在语义层习得特征，以实现所述目标复杂行为的识别。

2.根据权利要求1所述的复杂行为识别方法，其特征在于，所述目标复杂行为的数字化语义集合表示b={[ξ1,ξ2,…]，…，[ξx,ξy,…]}通过已训练的多尺度神经网络模型进行进一步相似度判断，获得所述目标复杂行为的升级化识别。

3.根据权利要求1所述的复杂行为识别方法，其特征在于，所述运动图片帧组根据人体运动关节节点以及关节节点特征，采用词向量浮点向量方式进行动作词表示。

4.根据权利要求1所述的复杂行为识别方法，其特征在于，所述多尺度神经网络由卷积层+GAP层+SPP层+全连接层组成；

采用所述卷积层的异形卷积核对所述目标复杂行为的数字化语义集合表示b={[ξ1,ξ

2,…]，…，[ξx,ξy,…]}进行特征提取；

通过所述GAP 层及所述SPP层的结合对所述目标复杂行为的数字化语义集合表示b={[ξ1,ξ2,…]，…，[ξx,ξy,…]}进行语义层特征学习，并通过所述全连接层进行分类，以实现所述目标复杂行为的准确识别。

5.根据权利要求4所述的复杂行为识别方法，其特征在于，所述GAP层用于提取所述复杂行为的全局特征，SPP层用以提取所述复杂行为的细节特征。

6.根据权利要求1所述的复杂行为识别方法，其特征在于，所述关节节点特征包括运动速度、运动方向、运动强度、瞬时运动位移以及单位时间内的总位移量。

7.一种复杂行为识别系统，其特征在于，包括：定义模块，用于获取目标视频，将所述目标视频中所需待检测的目标复杂行为分解成基于时序的若干运动图片帧组，将每一运动图片帧组根据人体运动关节节点以及关节节点特征转化成动作的数字化语义表示ξ={n，A}，n代表动作的动作名称，A代表动作的数字化特征矩阵；其中，所述运动图片帧组的一个人体运动关节节点的运行信息由一组浮点数进行数字化表示；

构建模块，用于将所述目标复杂行为基于每一运动图片帧组的数字化语义表示进一步转化成基于时序的动作组合的数字化语义集合表示b={[ξ1,ξ2,…]，…，[ξx,ξy,…]}；式中，[ξ1,ξ2,…]，[ξx,ξy,…]分别代表构成所述目标复杂行为的一系列动作的不同组合；

识别模块，用于将所述目标复杂行为的数字化语义集合表示b={[ξ1,ξ2,…]，…，[ξx,ξy,…]}通过多尺度神经网络在语义层习得特征，以实现所述目标复杂行为的识别。

8.根据权利要求7所述的复杂行为识别系统，其特征在于，所述目标复杂行为的数字化语义集合表示b={[ξ1,ξ2,…]，…，[ξx,ξy,…]}通过已训练的多尺度神经网络模型进行进一步相似度判断，获得所述目标复杂行为的升级化识别。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至

6中任一项所述的复杂行为识别方法。

10.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6中任一项所述的复杂行为识别方法。