1.一种变电站工作区域的人员危险行为识别方法，其特征在于，包括如下步骤：(1)针对变电站工作区域的人员危险行为特点，采集视频数据，建立危险行为数据集；

(2)对采集到的视频数据等时划分为K个片段，并进行帧化将其转化为图片帧，同时得到RGB图像和用TV‑L1光流法来提取光流计算得到的光流图像；

(3)构建由并行的ResNet‑34网络和LSTM网络组成的双流网络，将步骤(2)获取的光流图像送入双流网络训练，并使用改进的能量谷优化算法对双流网络的超参数进行优化，得到变电站工作区域的人员危险行为识别模型；

(4)对变电站工作区域人员危险行为识别模型进行训练优化，进行变电站监控下的人员行为识别，得到变电站工作区域的人员危险行为识别结果；

(5)将获得的人员危险行为识别结果进行前端界面展示，以便于车站监管人员处理，并进行判断是否需要通过扬声器提醒工人行为是否正确；

步骤(3)所述改进的能量谷优化算法为：

S1：设置EVO算法的目标函数为危险行为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；

S2：利用佳点集初始化代替原有EVO算法中种群位置的随机初始化，佳点集初始化公式如下：其中，lb为下限，ub为上限，Cn(i)表示样本集，Cn(i)＝(q1i1,q2i2,q3i3,…,qnin)，q表示佳点， n表示搜索空间中粒子的总数，d是所考虑问题的维度， 是第i个候选者危险行为状态第j维值；

S3：根据目标函数计算适应度值，根据计算适应度得出最优解；

S4：EVO算法的优化过程为：

如果粒子的稳定水平高于稳定界，即SLi＞SB，则认为发生α和γ衰变，α衰变的过程用数学形式表示为EVO的位置更新方案为：其中，pi为搜索空间中第i个人的危险行为状态， 是其第j维值，pBS为稳定性等级最好的人的危险行为状态, 为搜索空间中第i个人在方案一下新的危险行为状态，Alpha Index I和Alpha Index II为两个随机整数，Alpha Index I在[1,d]范围内,Alpha Index II在[1,Alpha Index I]范围内；

当粒子的稳定水平高于稳定界，即SLi〉SB，在伽马衰变中，γ衰变的过程用数学公式表示为EVO的另一个位置更新过程为：其中，pNg为第i个人周围邻近人的危险行为状态， 为搜索空间中第i个人在方案二下新的危险行为状态，Gamma Index I和Gamma Index II为两个随机整数，Gamma Index I在[1,d]范围内,Gamma Index II在[1,Gamma Index I]范围内；

如果粒子的稳定水平低于稳定界，即SLi≤SB，则认为发生了β衰变，β射线从粒子中释放出来，粒子的不稳定水平较高，在搜索空间中进行大的跳跃，对粒子进行位置更新：其中，pCP是人群中心人员的危险行为状态，SLi是第i个人的危险行为状态稳定水平，r1和r2是两个在[0,1]范围内的随机数， 为搜索空间中第i个人在方案三下新的危险行为状态；

如果粒子的稳定水平低于稳定界，即SLi≤SB，对采用β衰变的粒子进行另一个位置更新过程，在粒子的稳定水平不影响运动过程的情况下，对具有最佳稳定水平的粒子和邻近的粒子进行控制运动，此过程由数学公式表示为：其中，r3和r4是两个在[0,1]范围内的随机数， 为搜索空间中第i个人在方案四下新的危险行为状态；

如果粒子的中子富集水平低于富集界，即NELi≤EB，则认为该粒子的N/Z比较小，因此粒子倾向于通过捕获电子或发射正电子向稳定带移动,此过程由数学公式表示为：其中，r是一个在[0,1]范围内的随机数， 为搜索空间中第i个人在方案五下新的危险行为状态，N表示中子数，Z表示质子数；

S5：引入柯西变异增强对最优解位置更新的扰动，增加种群的多样性，有助于跳出局部最优，此过程由数学公式表示为：采用贪婪选择策略进行适应度值更新，表达如下：

其中，f(p)为标准柯西分布概率密度函数，cauchy是其柯西算子， 是各阶段更新后的危险行为状态，f(·)为目标的适应度值；

S6：通过EVO优化过程不断更新当前解，并同步更新全局最优解；

S7：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S3，在规定迭代次数内输出最优结果。

2.根据权利要求1所述的一种变电站工作区域的人员危险行为识别方法，其特征在于，所述步骤(2)实现过程如下：(21)输入包含人物的连续帧图像；

(22)光流法以假设亮度恒定不变为前提，即像素点运动前后在非常小的时间差内的灰度值保持不变，得到对应的亮度一致性方程：T(x,y,t)＝T(x+dx,y+dy,t+dt)

其中，T(x,y,t)是在t时刻像素点(x,y)的灰度值,dx,dy,dt分别是像素点在x,y,t的变化量；将上式按一阶泰勒展开：2

其中，Tx，Ty，Tt分别是T(x,y,t)对x,y,t方向求偏导，o(dt )是高阶无穷小；令得到基本光流约束方程：Txa+Tyb+Tt＝0

其中，a,b分别是光流场在x,y两个方向上的光流分量；

(23)采用TV‑L1光流法来提取视频帧在水平和垂直两个方向上的光流，稠密光流的目标函数为：其中,T(x,y)表示当前视频帧，H(x,y)表示作为参考的视频帧,T(x,y)和H(x,y)是连续的两个视频帧；a,b分别表示像素点(x,y)在水平和垂直方向上的偏移量；λ是权值参数,和 是二维梯度， 和 分别是二维梯度 和 的模长；

(24)使用TV‑L1光流法求解上述目标函数，上述目标函数化简为：其中， bk为辅助

变量，Φ是一个常量， 是二维梯度，当b无限接近a时，交替更新a和b，得到方程的解：

3.根据权利要求1所述的一种变电站工作区域的人员危险行为识别方法，其特征在于，步骤(3)所述的双流网络实现过程如下：将图片输入到双流网络中，其中将单帧的RGB图像输入到ResNet‑34网络中提取空间特征，将多帧光流输入到LSTM网络中提取光流图中的时间特征；

通过双流网络提取各片段时空特征后，所有视频片段的时空特征均使用Softmax层获取对应的得分，分别把所有片段空间的得分平均融合，时间的得分平均融合，然后把全局的时空得分平均融合获取最终的行为识别结果，具体公式如下：其中， 为片段1外观特征通过Softmax层得到的得分，j表示第j个行为类别， 为所有片段空间的得分平均融合， 为片段1光流特征通过Softmax层得到的得分， 为所有片段时间的得分平均融合， 为外观特征和光流特征得分的平均融合结果。

4.根据权利要求1所述的一种变电站工作区域的人员危险行为识别方法，其特征在于，步骤(3)所述ResNet‑34网络由一个卷积层、一个最大池化层、四个残差卷积层、一个平均池化层和一个全连接层组成；依次经过卷积层和四个残差卷积层提取深层特征。

5.根据权利要求1所述的一种变电站工作区域的人员危险行为识别方法，其特征在于，步骤(3)所述LSTM网络结构有三个门：遗忘门、输入门和输出门，遗忘门确定上一时刻得到的单元状态能保存下来多少，输入门确定此刻输入的信息会有多少能加入单元状态，输出门确定此刻能输出多少特征信息。

6.一种采用如权利要求1至5所述方法的变电站工作区域的人员危险行为识别系统，其特征在于，包括：视频采集模块，通过网络摄像头采集工作区域的人员监控视频；

图像获取模块，用于对采集到的视频数据，将其转化为图片帧，获取RGB图像和用TV‑L1光流法来提取光流计算得到的光流图像；

危险行为识别模块，建立由ResNet‑34网络与LSTM网络并行构成的双流网络，并使用改进的能量谷优化算法EVO对双流网络中的超参数进行优化，得到变电站工作区域的人员危险行为识别模型；

前端显示预警界面，展示人员危险行为的前端界面，通过训练完成的识别模型识别得出人员行为实时上传前端展示，监管人员通过前端界面提示获取人员是否有危险行为。