1.一种基于文本监督的人体动作识别方法，其特征在于，包括如下步骤：步骤1：从人体关节数据集中获取图数据G=(V，E)，其中，节点集V={vt,i | t=1,2, …,T, i=1,2, …,N}表示骨架序列中的所有关节，由视频第t帧中人体第i个骨骼关节坐标组成；

边集E由两个子集组成，第一个子集为每一帧不同骨骼关节点连接，第二个子集为连续帧之间相同关节点的连接；

步骤2：将图数据输入到骨骼关节点编码网络中，得到骨骼关节点特征向量，具体步骤为：步骤2.1：将图数据转化为网络训练输入的骨骼关节点特征fin，形状为：(M, T, N, C)，其中，M为识别动作人数，T表示动作的帧数，N表示人体关节点的数量，C为特征通道数，表示V的关节点坐标；

步骤2.2：将人体骨骼关节点特征fin输入到图Transformer网络模块中进行特征学习，图Transformer网络模块包括全连接嵌入层，自注意力层和多层感知机;图Transformer网络模块的计算使用如下公式描述：(1)；

    (2)；

  (3)；

其中，式(1)为全连接嵌入层，A表示骨架关节图的邻接矩阵，Linear表示线性计算，Concat表示拼接操作；式(2)为自注意力层，SA表示自注意力模块，LN表示层归一化；式(3)为多层感知机，MLP表示多层感知机计算，fgcn_in为图卷积模块的输入；

步骤2.3：输入特征学习后的关节点特征到图卷积网络模块，输入的数据经过9个GCN单元，每经过一个GCN单元将特征dropout，其中前三层的输出有64个通道，中间三层有128个通道，最后三层有256个通道，每个GCN单元包括：注意力模块，图卷积模块，时间卷积模块；

经过全局平均池化得到骨架特征向量；

步骤3：根据人体关节点数据对应动作标签生成文本描述，输入到文本编码器网络中，得到文本特征，具体步骤为：步骤3.1：使用带有前缀和后缀的文本模板来生成文本描述，前缀模板为[label], this is an action，后缀模板为Human action of [label]，其中[label]为人体动作标签；

步骤3.2：输入文本描述到文本编码器得到文本特征向量，文本编码器包含12个Transformer模块，每个模块包含一个多头自注意力层和前馈网络层，每个模块中间还有层归一化和残差连接；文本编码结构公式表示为：(4)；

其中 表示第l层的第t个时间步的隐状态，FNN为前馈神经网络模块；

步骤4：将骨架特征向量和文本特征向量进行相似度计算，根据动作标签的相似度大小得到动作分类结果。