1.一种人员行为智能监控与报警方法，其特征在于，包括如下步骤：步骤1：异常行为的定义，确定危险行为；动作危险包括踢踹、用拳头击打公共设施；手持危险物包括手持刀具，棍棒；

步骤2：通过搜集公开的监控数据集，以及从网络上截取相应的视频数据集，将视频转化为图片帧，通过使用YOLOv7‑Pose模型完成对人体骨骼关节点的识别与标注；

步骤3：根据步骤2获取的骨骼关节点标注，确定手部关节位置，用于识别手持危险物；

步骤4：通过步骤3确定的手部位置，通过建立改进的YOLOv7模型用于完成手持危险物的识别，所述改进的YOLOv7模型为在模型中加入自适应剪枝，去除模型中不必要的参数和层，同时保持模型的整体性能；

步骤4.1：对于YOLOv7的每一层，通过前向传播计算每个神经元或特定参数的重要性得分 这一过程使用了权重的敏感度分析和梯度的统计信息；

步骤4.2：为了使得分在0和1之间，对得分进行归一化处理：其中，max(S)和min(S)分别是得分的最大值和最小值；

步骤4.3：设定剪枝比例ρ，这是一个介于0和1之间的值，代表模型保留的神经元或参数的比例；

步骤4.4：对于每一层，首先计算该层的总参数数量N，然后基于剪枝比例ρ，确定要保留的元素数量k：k＝ρ×N (2)

步骤4.5：选择要保留的元素，根据归一化得分 选择得分最高的k个元素，神经元以及参数；

步骤4.6：完成剪枝操作，将所有不在选择列表中的元素设置为零或进行相应的操作以剪枝；

步骤5：建立增强注意力机制的时空图卷积模型ASTGCN，在对骨骼关节点进行卷积过程中加入更多注意力机制；

步骤5.1：在时空图卷积模型中，通过GCN对人体骨骼关键点进行卷积提取图中各关节点的关联关系，初始状态，两个关节点相连时，这两个骨骼关节点的邻接矩阵值为非零，否则为零；

步骤5.2：对于没有直接连接的关节点，将他们之间的关系考虑进来；

步骤5.3：原始STGCN算法的公式如下：

其中，Kv表示分区个数，Wk表示权重，Ak表示邻接矩阵，Mk表示掩码，fout，fin分别表示特征图的输出和输入；

步骤5.4：通过改变公式中掩码与邻接矩阵点乘的方式，将其变为相加操作，使得即使邻接矩阵为0时，也能够学习到相关特征，进一步增强注意力，则再加入一个Dk，Dk表示每个关节点之间的坐标距离关系，通过动态计算确定，改进后的ASTGCN公式如下：步骤6：通过步骤5建立的ASTGCN模型使用步骤2识别到的人体骨骼关节点信息，完成危险动作的模型的训练，用于视频监控中，人员危险动作识别；对于模型中存在的超参数使用基于树结构的贝叶斯优化算法TPE进行优化，进一步提升模型的性能；

步骤7：通过步骤4以及步骤6建立的识别模型完成人员行为的识别，并将结果同步到前端界面，对于识别行为是危险行为后，并调用报警模块进行响铃提醒。

2.根据权利要求1所述的一种人员行为智能监控与报警方法，其特征在于，所述步骤6中通过TPE算法优化ASTGCN中出现的超参数，具体步骤如下：步骤6.1：确定需要优化的超参数及其取值范围；学习率、卷积核大小、图卷积层的数量，使用TPE算法初始化一个模型，该模型将在每次迭代中根据已有的观察值进行更新；

步骤6.2：使用TPE算法根据已有的观察值和超参数空间，选择下一个可能的超参数组合，使用所选的超参数组合在验证集或交叉验证中评估ASTGCN模型的性能；

步骤6.3：将新的观察值，超参数组合及其对应的性能加入到TPE模型中，以便在下一轮迭代中生成更优的超参数建议；

步骤6.4：重复步骤6.2到6.3，直到达到预定的迭代次数或其他停止条件，在所有迭代完成后，选择具有最佳性能的超参数组合作为最终的ASTGCN模型配置。

3.一种基于权利要求1或2所述的人员行为智能监控与报警方法的系统，其特征在于，包括：监控部分，包括位于公共区域监控的网络摄像头；

人体骨骼关节点标注与识别模块，通过使用YOLOv7‑Pose模型实现来访人员身体关节点标注；

手持危险物识别模块，通过标注的关节点模块快速确定手部位置，通过使用改进的YOLOv7模型，快速识别手持危险物，所述改进的YOLOv7模型为在模型中加入自适应剪枝；

危险行为识别模块，用ASTGCN模型，并使用TPE算法对模型中的超参数进行优化，得到作中的危险行为识别模型；

前端显示行为展示界面以及报警模块，用于展示人员行为的前端界面以及报警部分，通过训练完成的模型识别得人员的危险行为实时上传前端展示，并通过调用报警模块，进行响铃提醒。