1.一种基于多尺度特征提取的群体行为识别方法，其特征在于，所述基于多尺度特征提取的群体行为识别方法，包括：构建并训练识别网络模型，所述识别网络模型包括多尺度特征提取模块、交互关系提取模块、子群基数预测模块、图谱聚类模块和群体行为分类器；

对采集的传感器数据进行预处理，预处理后的传感器数据通过多尺度特征提取模块得到个体精炼特征；

将个体精炼特征输入交互关系提取模块捕获个体间的交互关系，得到精炼特征向量；

通过子群基数预测模块提取精炼特征向量中的子群数量，并构建精炼特征向量的特征邻接矩阵，输入到图谱聚类模块中进行子群划分，并生成子群的全局特征，然后通过群体行为分类器得到识别结果；

其中，所述多尺度特征提取模块，执行如下操作：

对预处理后的传感器数据进行通道上采样，将预处理后的传感器数据维度从（1,T,C0）扩展为（H,W,C），其中T为时间跨度，C0为初始通道数，C为扩展后通道数，H,W为扩展后的高度和宽度；

将上采样之后的传感器数据在通道维度上按照预设尺度数量进行均匀分割，得到通道特征；

对每个通道特征分别进行尺度特征提取，得到每个通道特征对应的尺度特征，然后再进行拼接，得到目标尺度特征；

将目标尺度特征输入到高效通道注意力网络，得到个体精炼特征；

其中，所述通道特征的数量为四个，所述对每个通道特征分别进行不同尺度特征提取，然后再进行拼接，得到目标尺度特征，包括：第一个通道特征通过远跳链接直接作为目标尺度特征的一部分；

第二个通道特征经过一次通用的卷积操作并通过一个线性层，从而提取得到第二个通道特征隐藏特征，隐藏特征中的前一半维度会与卷积后的第三个通道特征进行合并，另一半维度的信息作为目标尺度特征的一部分；

第三个通道特征经过一次卷积操作，并与第二个通道特征隐藏特征中的前一半维度进行合并，再通过卷积层和线性层进一步提取，得到第三通道特征隐藏特征，第三通道特征隐藏特征中的前一半维度会与卷积后的下一个通道特征进行合并，后一半维度为目标尺度特征的一部分；

第四个通道特征经过一次卷积操作，并与第三个通道特征隐藏特征中的前一半维度进行合并，再通过卷积层和线性层进一步提取，得到第四通道特征隐藏特征，作为目标尺度特征的一部分；

最后拼接得到目标尺度特征；

其中，所述交互关系提取模块，执行如下操作：

将各个个体精炼特征在通道维度上按照预设尺度数量进行分割，得到尺度特征；

以个体作为节点，以相似度为边的权重，对于每个尺度特征，构建图结构；

将图结构输入到图Transformer模块中更新节点特征，然后输入到前馈神经网络中进行非线性变换，得到尺度增强特征；

将尺度增强特征进行重新组合，得到个体增强特征；

将个体增强特征输入图Transformer模块进一步提取不同尺度特征间的深层次关系，随后进行归一化处理，得到精炼特征向量。

2.根据权利要求1所述的基于多尺度特征提取的群体行为识别方法，其特征在于，所述子群基数预测模块，执行如下操作：输入的特征首先经过一个线性变换，然后通过ReLU激活函数增加模型表达能力，最终再经过另一层线性变换输出子群数量预测值。

3.根据权利要求1所述的基于多尺度特征提取的群体行为识别方法，其特征在于，所述图谱聚类模块，执行如下操作：基于单位矩阵和特征邻接矩阵，构建拉普拉斯矩阵，然后进行特征分解，得到节点嵌入矩阵；

对节点嵌入矩阵中的个体应用聚类算法，完成子群划分；

将每个子群的个体精炼特征向量通过平均池化操作进行聚合，得到每个子群的全局特征向量。

4.根据权利要求1所述的基于多尺度特征提取的群体行为识别方法，其特征在于，所述训练识别网络模型，采用的损失函数包括：子群基数损失函数、子群成员损失函数和群体行为识别损失函数。