1.一种应用于车站乘客的危险动作识别方法，其特征在于，包括如下步骤：(1)针对车站乘客的危险动作特点，采集在车站站台危险动作视频数据，建立危险动作数据集；

(2)对采集到的视频数据，将其转化为图片帧，采用AlphaPose模型对人体关节骨架特征值进行提取；

(3)对斑马优化算法进行改进，即在斑马优化算法中引入透镜成像反向学习策略，提高种群多样性，并采用改进后的斑马优化算法优化AlphaPose模型；

(4)将步骤(2)提取的人体关节骨架特征数据送入构建的TCN‑transformer网络模型进行训练，利用训练好的模型对车站乘客的危险动作进行识别；

(5)对于步骤(4)获取的乘客的危险动作识别结果进行前端界面展示，以便于车站监管人员处理；

所述步骤(3)实现过程如下：

(31)设置ZOA算法的目标函数为危险动作识别准确率并初始化相关参数，包括：种群规模、迭代次数、维度大小；

(32)根据目标函数计算适应度值，根据计算适应度得出最优解；

(33)ZOA算法在优化过程中分为二个阶段，第一阶段觅食行为和第二阶段针对掠食者的防御行为；

(34)提出一种自适应权重因子，对个体位置进行自适应扰动：其中，w为一种自适应权重因子，w(t)为当前迭代次数的权重因子值，w(t+1)为迭代后的权重因子值，对做出危险动作成员的位置进行更新；

(35)引入透镜成像反向学习策略利用凸透镜成像原理在搜索空间中生成透镜反向解，引入该策略有利于提升整体种群多样性，即利用透镜反向解丰富的搜索信息来提高种群跳出局部极值能力，加速算法收敛：其中，UB和LB代表搜索空间上下界，k＝h/h*，PZ为在一维空间[LB,UB]内做出危险动作的*最优成员，h为其危险动作，在透镜的作用下形成一个危险动作为h*，反向个体PZ的透镜成像；

(36)每个ZOA迭代都是通过基于第一阶段和第二阶段更新种群成员来完成的，在连续迭代期间更新和保存当前解，并同步更新全局最优解；

(37)通过给定的最大迭代次数判断是否达到算法终止条件，若未达到则转到步骤(32)，在规定迭代次数内输出最优结果；

所述步骤(33)包括以下步骤：

(331)第一阶段中更新斑马在觅食阶段的位置：

其中,Xi表示第i个人在第1阶段的危险动作状态，xi,j是它的第j维值,Fi是它的目标函new,P1数值, 表示第i个人在第1阶段的新的危险动作状态， 是它的第j维值,Fi 是它的目标函数值，PZ为做出危险动作的最优成员,PZj为其第j维,r是[0,1]的随机数，I＝round(1+rand)；

(332)第二阶段通过斑马对捕食者攻击的防御策略，来更新种群成员在搜索空间中的位置；斑马的防御策略有两种，S1逃跑策略和S2进攻策略：new

其中， 表示第i个人在第2阶段的新的危险动作状态， 是它的第j维值,Fi,P2是它的目标函数值；t，T分别表示当前迭代次数和最大迭代次数,R是常数，PS是在区间[0,1]内随机产生的两种策略中选择一种策略的概率,AZ为被识别人员的状态，AZj为被识别人员的第j维值。

2.根据权利要求1所述的一种应用于车站乘客的危险动作识别方法，其特征在于，步骤(1)所述危险动作包括在站台掏出危险武器、投掷物品、进行卧轨、跨越安全线。

3.根据权利要求1所述的一种应用于车站乘客的危险动作识别方法，其特征在于，所述步骤(2)实现过程如下：输入大小为w×h的包含人物的图像；通过空间变换网络接收人体候选框；通过单人姿态估计得到人物的图像的边界框；通过空间反变换网络将预测生成的人体姿势与原始的框选区域相对应；引入姿态引导的区域框生成器丰富参与模型训练的数据集，避免模型陷入局部最优；采用单人姿态估计法作为训练阶段额外的正则项；将所有候选姿态采用参数化姿态非极大值抑制法对候选姿态进行微调，去除冗余姿态，选取识别效果最好的人体姿态。

4.根据权利要求1所述的一种应用于车站乘客的危险动作识别方法，其特征在于，所述步骤(4)实现过程如下：(41)将人体关节骨架特征值数据数据送入TCN‑transformer网络输入层；

(42)通过使用TCN模型的因果扩张卷积进行特征提取，假设滤波器F＝{f1,f2,…,fk}，设时间序列A＝{a1,a2,…,an}，公式表示如下：其中，F(aS)表示进行卷积后的值，aS表示第S处的值，S表示膨胀因子，K表示滤波器大小；

(43)通过使用了Transformer的Encoder部分对数据进行特征提取，并使用自注意机制将输入数据经过Positional Encoding编码后的输出打包到一个矩阵中，然后将这个矩阵Q K V由三个预先训练好的矩阵W ,W ,W 进行三次线性变换向量得到三个矩阵：查询矩阵Q、键矩阵K、值矩阵V；采用按比例缩放的点积注意力来获得Q、K的权重，采用softmax函数对这些权重进行归一化处理，自注意力机制的计算公式如下：(44)使用残差连接与层标准化后得到最后的输出，获得人体关节骨架特征值预测数据，完成乘客危险动作的预测。

5.一种采用如权利要求1至4任一所述方法的应用于车站乘客的危险动作识别方法系统，其特征在于，包括：视频采集模块，针对车站乘客的危险动作特点，采集在车站站台危险动作视频数据，建立危险动作数据集；

人体骨骼数据获取模块，将采集到的视频数据转化为图片帧，通过改进的斑马优化算法ZOA优化AlphaPose模型获取到人体骨骼数据；

危险动作识别模块，用于建立的TCN‑transformer网络模型，得到车站乘客危险动作识别结果；

前端展示模块，用于实时展示乘客危险动作的前端界面，监管人员通过前端界面提示乘客注意安全。