1.一种基于多分支融合图卷积网络的健身动作识别方法，其特征在于，所述方法包括以下步骤：步骤1)根据待检测运动识别视频，生成待测骨骼点坐标时间序列，同时根据设定的人体骨架图像建立图邻接矩阵，并将其拆分成若干个矩阵Ak；

步骤2)对骨骼点坐标时间序列进行预处理得到输入Z；

步骤3)构建时空自适应特征融合图卷积网络模型，时空自适应特征融合图卷积网络模型包括自适应图卷积网络AGCN模型与时间通道聚合图卷积网络TCA‑GCN模型，将步骤2)中得到的输入Z分别输入到两个模型中，得到不同层次的时空特征并拼接作为输出；

步骤4)构建多分支特征融合框架，多分支特征融合框架中引入Transformer整合两个分支网络提取的异质特征，并自适应地增强其互补性和表达能力，实现对复杂序列数据的深度理解；

步骤5)从待测骨骼点坐标时间序列中提取关节坐标、骨骼方向和长度数据，将提取的数据输入到时空自适应特征融合图卷积网络中进行训练，获取对应的初始识别结果和softmax分数，最终通过权重相加的方式融合输出最后的结果。

2.如权利要求1所述的一种基于多分支融合图卷积网络的健身动作识别方法，其特征在于：在所述步骤1)中，邻接矩阵的拆分基于以下公式：A+I＝∑kAk，其中，Ak分别表示与其距离为k的邻接矩阵，且A0＝I，A1＝A。

3.如权利要求2所述的一种基于多分支融合图卷积网络的健身动作识别方法，其特征u在于：在所述步骤2)中，对骨骼点坐标时间序列使用内核Γ 进行时间卷积得到时间特征，并将其与原序列进行拼接以求提取时空特征；所有预处理表示为：其中， 为处理后的视频表示，*表示时间卷积，T表示时间序列的长度，Nu

代表节点的数量，C表示特征通道的数量，C表示用于时间卷积的滤波器个数，V表示骨骼点坐标时间序列，*和 分别表示时间卷积和特征拼接。

4.如权利要求2所述的一种基于多分支融合图卷积网络的健身动作识别方法，其特征在于：在所述步骤3)中，为从人体骨骼的拓扑结构中提取空间特征，将结果进行图卷积，具体如下：应用归一化的嵌入高斯函数去计算两个关节点之间的相似度，计算过程表达如下：其中，vi,vj代表两个不同节点，N是节点个数；设P表示嵌入高斯函数后计算出的相似度矩阵，则新的邻接矩阵表示为：

5.如权利要求4所述的一种基于多分支融合图卷积网络的健身动作识别方法，其特征在于：在所述步骤3)中，时空图卷积网络模型包括BN层、多尺度图卷积模块；多尺度图卷积模块包括九层特征提取模块，各层特征提取模块包括第二残差模块，及依次连接的自适应空间域图卷积单元、激活函数、注意力模块、时间域图卷积单元；第二残差模块的输入端与自适应空间域图卷积单元的输入端相连接，输出端与第一特征提取单元相连接，第一特征提取单元用于执行相加操作。

6.如权利要求4所述的一种基于多分支融合图卷积网络的健身动作识别方法，其特征在于：在所述步骤3)中，时间通道聚合图卷积网络TCA‑GCN模型采用通道拓扑建模来动态获T取空间的通道拓扑，其包括相关建模函数和细化函数；相关建模函数使用输入特征X∈R×N×C 1对关节之间的通道相关性进行建模，获得通道特定相关性 C 表示特定的通道数量；细化函数将通道相关Q与由空间配置划分得到的邻接矩阵相加，得到通道拓扑具体方法公式如下：S＝α·Q+μ(Ak)    (4)

其中，Ak为第k个通道邻接矩阵，μ(*)表示为三阶邻接矩阵的归一化和维度变换运算，α为可训练参数，Q表示连接强度。

7.如权利要求4所述的一种基于多分支融合图卷积网络的健身动作识别方法，其特征在于：在所述步骤3)中，时间通道聚合图卷积网络TCA‑GCN模型聚合时，基于时间自适应权值聚合方法处理时间维度的骨架特征；所述时间自适应权值聚合方法基于输入特征，在时间维度上生成校准后的权值，并将其与时间维度上的先验拓扑进行聚合，从而完成时间动态拓扑表示；具体如下：T×N×C

首先以骨架序列生成时间权重作为输入X∈R ，使用生成函数与初始权值相乘，进行维度变换生成时间权值，与先验拓扑进行时间聚合，得到新的高维特征表示如式所示：Aout＝TA(W,X)＝(W1X1)||...||(WTXT)    (5)其中，W1X1表示为： TA(*)表示聚合函数，w(j)代表生成函数，x(j)代表初始权值W(*)表示降维函数， 为时间权重特征，其表达式为：W＝αt·W0    (6)

其中，αt＝G(x1,...,xt)，αt是带有输出通道的校准权值，采用基于骨骼特征的不同维度方法， 是初始权值；在通道维度上进行聚合时，通道维度的图卷积表示如下：其中，Aout为自适应聚合的输出特征，Bi表示vj的节点范围，S为通道方向拓扑的输出特征，vi为第i个节点，vj为第j个节点，最终输出结果 表示如下：其中， 表示为： CA为通道聚合函数。

8.如权利要求2所述的一种基于多分支融合图卷积网络的健身动作识别方法，其特征在于：在所述步骤4)中，建立Transformer融合网络模型，将步骤3)中两个模型输出的异质特征进行整合，输出融合结果；具体如下：两个模型的输出特征通过一个基于多头交叉关注的Transformer网络融合；使用m‑head交叉注意，Transformer的运算过程表示为：其中，CAj为j头部交叉注意，BQj为 扮相的线性投影；EKj和EVj是 的线性投影，dim代表BQj和EKj的维度，W′是多头注意力的权重矩阵；然后使用一个线性层，接着进行一个Tanh激活，将剩余连接和前馈层叠加，其表达式为：其中，FFN代表前馈网络；计算OF与标签之间的损失，其表达式为：

OF＝tanh(Linear(F,θF))    (13)

Linter＝MSE(OF,Y)    (14)

其中，Linter是总损失函数，Y表示标签。

9.如权利要求2所述的一种基于多分支融合图卷积网络的健身动作识别方法，其特征在于：在所述步骤5)中，对本框架进行实验验证，建立一个四流框架，四流框架中每四个时空图卷积网络模型为一组，分别对应关节流J‑Stream、骨骼流B‑Stream、骼流J‑M‑Stream、关节运动流B‑M‑Stream四种流态数据；步骤5)的具体过程如下：

1)将关节坐标、骨骼方向和长度数据分别输入到独立的四个流中进行处理；

2)把待识别的人体行为视频转化为四种流态数据，并输入训练好的时空图卷积网络模型，从而获取对应的初始预测结果和softmax分数，得到动作分数；

3)预测动作标签。