1.具有预测能力的智能园区安全风险感知方法，其特征在于，包括：

采集园区门禁登记的人脸特征数据；

实时采集园区T个监控区域的视频数据；

提取出现在第t个监控区域的视频数据中的实时人脸特征数据，t∈T，将实时人脸特征数据与登记的人脸特征数据进行比对，获得比对结果；比对结果包括存在入园记录与不存在入园记录，将不存在入园记录的实时人脸特征数据标记为异常人员特征；

预先设置每个监控区域的刻意回避区域；

使用追踪算法，对具有异常人员特征的异常人员进行跟踪，并记录异常人员特征出现在q个监控区域中的刻意回避区域，标记为路过回避区域，将记录的所有路过回避区域进行依次连线，形成异常人员的行动轨迹，q小于或等于T；

截取在视频数据出现异常人员的图像帧，输入动作识别模型中，获得异常人员的回避动作，并统计单位时间内回避动作次数；

采集当前时刻的光照强度与湿度，结合回避动作次数，生成回避动作系数；

根据视频数据获取异常人员的移动特征数据与身高数据；

将行动轨迹、回避动作系数、移动特征数据与身高数据输入至行为特征分析模型中，获得行为分析结果；

若行为分析结果为异常行为，则进行预警。

2.根据权利要求1所述的具有预测能力的智能园区安全风险感知方法，其特征在于，所述回避动作包括低头和遮挡面部，统计单位时间内低头和遮挡面部的次数；所述回避动作系数生成包括：将单位时间内低头和遮挡面部的次数加权求和获得回避动作数值，将当前时刻光照强度与湿度加权求和获得环境影响值，将回避动作数值除以环境影响值获得回避动作系数。

3.根据权利要求1所述的具有预测能力的智能园区安全风险感知方法，其特征在于，提取异常人员的移动特征数据的方法包括：移动特征数据包括移动速度平均值与移动速度标准差；

将异常人员在视频数据中连续画面中的位置坐标映射至园区电子地图中，获得异常人员在单位间隔时间内的连续位置坐标序列；

计算单位间隔时间内移动速度S：

Xi+1表示第i+1位置坐标的横坐标，Xi表示第i位置坐标的横坐标，Yi+1表示第i+1位置坐标的纵坐标，Yi表示第i位置坐标的纵坐标；

将计算得到的移动速度，建立移动速度集合，计算移动速度集合内的移动速度平均值与移动速度标准差。

4.根据权利要求1所述的具有预测能力的智能园区安全风险感知方法，其特征在于，获取异常人员身高数据的方法包括；

使用视频处理技术，获取参考物体和异常人员在视频数据图像中的顶部和底部像素坐标；

根据参考物体的顶部和底部像素坐标，获得参考物体在视频数据图像中的高度；同理根据异常人员顶部和底部像素坐标，获得异常人员在视频数据图像中的高度；将参考物体在视频数据图像中的高度与参考物体实际高度的比值标记为比例因子；将异常人员在视频数据图像中的高度乘以比例因子获得异常人员的身高数据。

5.根据权利要求1所述的具有预测能力的智能园区安全风险感知方法，其特征在于，特征分析模型的训练方法包括：事先收集K组行动轨迹、回避动作系数、异常人员高度、移动特征数据，并组合成K组特征向量，K为大于1的整数，采用监督学习方法，使用支持向量机、随机森林或深度神经网络，训练行为特征分析模型，对特征向量预先标注的正常行为和异常行为，构成已知行为的数据集，将数据集分为训练集和测试集用于特征分析模型训练和验证，输出满足预设准确度的特征分析模型。

6.根据权利要求1所述的具有预测能力的智能园区安全风险感知方法，其特征在于，还包括：采集每个监控区域的风力风向数据；

根据风力风向数据或光照强度，分析每个监控区域的视频数据是否异常，若异常，则生成启用指令，若正常，则不生成启用指令，并将启用指令发送至备用服务器与数据切换开关，备用服务器可以完成对视频数据的实时分析，备用服务器根据启用指令开启，数据切换开关根据启用指令，将视频数据传送至备用服务器进行分析。

7.根据权利要求6所述的具有预测能力的智能园区安全风险感知方法，其特征在于，根据风力风向数据或光照强度，分析每个监控区域的视频数据是否异常的方法包括：当第r个监控区域的风力等级大于预设风力等级时，分析第r个监控区域的视频数据中柔性飘带偏移方向，是否与风向一致，若不一致，则生成启用指令，若一致，则不生成启用指令；

若风力等级小于或等于预设风力等级时，将实时采集的光照强度与第r个监控区域的视频数据中，实时的图像帧输入至监控异常分析模型中，判断图像帧是否异常，若图像帧异常，则生成启用指令；若图像帧正常，则不生成启用指令。

8.根据权利要求7所述的具有预测能力的智能园区安全风险感知方法，其特征在于，分析第r个监控区域的视频数据中柔性飘带偏移方向的方法包括：在视频数据的显示画面中，预设平面坐标系，将柔性飘带的固定端作为平面坐标系的原点，获取当前时刻下柔性飘带在显示画面中所占区域每个像素点的坐标，根据每个像素点的坐标确定柔性飘带所处平面坐标系的所在象限，根据象限预设的指示方向，确定柔性飘带偏移方向。

9.根据权利要求7所述的具有预测能力的智能园区安全风险感知方法，其特征在于，所述监控异常分析模型的训练方法包括：预先收集E组训练数据，每组训练数据包括光照强度以及光照强度对应的图像帧，E为大于1的整数；将训练数据作为监控异常分析模型的输入，所述监控异常分析模型以每组图像帧对应的光照强度作为输出，以每组图像帧对应的实际光照强度作为预测目标；以最小化所有光照强度的预测误差之和作为训练目标；对监控异常分析模型进行训练，直至预测误差之和达到收敛时停止训练，所述监控异常分析模型采用卷积神经网络。

10.具有预测能力的智能园区安全风险感知系统，用于实现1‑9任一项所述的具有预测能力的智能园区安全风险感知方法，其特征在于，包括：第一采集模块，用于采集园区门禁登记的人脸特征数据，存储至登记数据库中；

第二采集模块，用于实时采集园区T个监控区域的视频数据；

第一分析模块，提取出现在第t个监控区域的视频数据中的实时人脸特征数据，t∈T，将实时人脸特征数据与登记的人脸特征数据进行比对，获得比对结果；比对结果包括存在入园记录与不存在入园记录，将不存在入园记录的实时人脸特征数据标记为异常人员特征；

设置模块，预先设置每个监控区域的刻意回避区域；

第二分析模块，使用追踪算法，对具有异常人员特征的异常人员进行跟踪，并记录异常人员特征出现在q个监控区域中的刻意回避区域，标记为路过回避区域，将记录的所有路过回避区域进行依次连线，形成异常人员的行动轨迹，q小于或等于T；

第三分析模块，截取在视频数据出现异常人员的图像帧，输入动作识别模型中，获得异常人员的回避动作，并统计单位时间内回避动作次数；

第四分析模块，采集当前时刻的光照强度与湿度，结合回避动作次数，生成回避动作系数；

第五分析模块，用于根据视频数据获取异常人员的移动特征数据与身高数据；

综合分析模块，用于将行动轨迹、回避动作系数、移动特征数据与身高数据输入至行为特征分析模型中，获得行为分析结果；

预警模块，若行为分析结果为异常行为，则进行预警。