1.一种在红外视频下基于骨架序列的老人行为识别方法，该方法具体包括以下步骤：S1：获取室内场景下具有老人行为图像的红外视频，并对老人的行为图像进行目标检测；

S2：将检测到的目标输入到人体姿态估计网络，提取出关节点的位置和置信度，获取到老人的骨架信息；

S3：根据检测时间先后顺序组合获取的骨架信息，得到老人的骨架序列，再对骨架序列进行归一化处理；

骨架序列进行归一化处理，具体包括以下步骤：

S31：对步骤S2获取的老人骨架信息，按照预设等时间间隔进行骨架数据的采样，并将预设帧数的骨架信息按照检测时间先后顺序组合得到待识别老人行为的骨架序列；

S32：将待识别老人的行为骨架序列中每一帧骨架数据进行视角归一化处理；

S33：对骨架序列不同帧的同一个关节点的位置特征(x, y)和置信度进行归一化处理；

S4：将处理后的骨架序列数据输入到融合了SlowFast与Shift‑GCN的SFS‑GCN网络中，结合空间注意力机制，利用移位图卷积获取到老人行为的时空特征，最后利用Softmax分类器对老人的室内行为进行分类；

所述SFS‑GCN网络由一个快速流分支、一个慢速流分支和侧向连接组成；其中快速流分支与慢速流分支都采用改进的Shift‑GCN网络组成；改进的Shift‑GCN网络由10个结合注意力机制的Shift‑GCN单元连续叠加而成，其中改进的Shift‑GCN单元由基于空间注意力机制的空间移位模块和自适应时间移位模块组成；快速流分支用来提取动作的时间维度的动态特征，慢速流分支用来提取动作空间维度的静态特征，在两条分支的不同阶段使用侧向连接将慢速流分支的特征聚合到快速流分支，并将两条分支采集的特征输入到通道注意力模块进行处理，最后在Softmax层进行动作分类；

所述空间移位模块由空间移位操作和空间逐点卷积组成；所述自适应时间移位模块由时间移位操作和时间逐点卷积组成。