1.一种基于图神经网络的视频风格迁移姿态检测方法，其特征在于，包括以下步骤：对原始视频帧进行逐帧解析，提取连续视频序列，根据场景动态调整分辨率并分割为局部区域，生成预处理后的视频数据流；

构建动态时空关联网络，将视频帧的像素映射为时空图节点，节点间的连接权重根据相邻帧的运动趋势与区域内容复杂度动态计算，通过逐层聚合节点的时空特征，将原始视频帧转换为目标艺术风格；

在风格迁移过程中，为人体关节点所在区域生成动态掩膜，基于掩膜覆盖范围对相邻帧的对应区域进行局部特征融合，约束风格化输出中关节结构的几何一致性；

从风格化视频中提取每帧的关节点坐标，构建时空轨迹序列，通过动态时空关联网络学习关节点的运动模式与空间拓扑关系，生成包含时空依赖的特征向量；

将特征向量与预设动作模式库进行多维度比对，计算轨迹偏移量与模式匹配度，根据阈值判定动作异常并输出检测结果。

2.根据权利要求1所述的一种基于图神经网络的视频风格迁移姿态检测方法，其特征在于，所述动态时空关联网络的构建具体包括：将视频帧的像素划分为若干局部区域，每个区域映射为一个图节点，节点属性包含颜色梯度、运动矢量及局部纹理熵值，其中运动矢量通过光流场计算生成，纹理熵值反映区域内细节复杂度；

在时间维度上，为相邻帧的对应节点建立跨帧连接，连接权重由节点属性的时空相关性动态计算：若相邻帧节点的运动矢量方向一致且纹理熵值差异小于自适应阈值，则权重提升，反之则降低；

在空间维度上，对同一帧内的人体关节点构建层级化连接：基于解剖学先验定义一级连接，基于运动协同性定义二级连接，层级间连接权重根据关节运动幅度动态调整；

通过时空图卷积操作，逐层融合跨帧与跨层级的动态连接特征，生成兼具风格迁移与动作感知的时空关联特征。

3.根据权利要求1所述的一种基于图神经网络的视频风格迁移姿态检测方法，其特征在于，所述动态掩膜的生成包括：基于预处理后的视频帧，利用轻量级姿态估计网络实时预测人体关节点，以关节点为中心生成初始掩膜，掩膜半径随关节运动速度线性扩展；

结合光流信息与关节轨迹预测模型，推断下一帧掩膜的形变参数，形变方向与关节运动方向一致，形变量与运动加速度成正比；

在风格迁移过程中，对掩膜覆盖区域进行双重约束，所述双重约束包括几何约束和语义约束，所述几何约束通过动态时空关联网络强化掩膜内关节的轮廓特征提取，抑制风格化导致的边缘模糊；所述语义约束对比掩膜区域在风格迁移前后的语义分割结果，若关键解剖结构丢失，则触发局部风格化强度衰减；

当检测到关节点运动速度超过阈值或被遮挡时，基于历史帧的掩膜轨迹插值生成临时掩膜，自动扩大掩膜范围以覆盖运动模糊区域。

4.根据权利要求1所述的一种基于图神经网络的视频风格迁移姿态检测方法，其特征在于，所述时空轨迹序列的构建包括：从风格化视频的每帧中提取关节点坐标，按时间顺序构建原始轨迹序列，并对序列进行分段降噪处理，对低速运动段采用滑动平均滤波，平滑抖动噪声；对高速运动段保留原始数据，仅移除离群点；

为每个关节点分配自适应时间窗口，窗口长度根据运动加速度动态调整：加速度越大，则窗口长度越短；

在时空关联网络内，对窗口内的轨迹数据进行多尺度特征提取：将多尺度特征与层级化连接权重融合，生成包含局部细节与全局模式的时空特征向量。

5.根据权利要求4所述的一种基于图神经网络的视频风格迁移姿态检测方法，其特征在于，所述时空轨迹序列的构建还包括：从风格化视频中提取视觉模态特征，包括颜色分布、边缘锐度及纹理密度，并通过归一化处理生成第一特征向量；

从时空轨迹序列中提取运动模态特征，包括关节点位移、加速度及运动方向一致性，并通过动态时间规整生成第二特征向量；

构建跨模态关联矩阵，将第一特征向量与第二特征向量进行维度对齐，通过动态权重分配策略融合两类特征，权重值根据场景光照强度、运动复杂度及风格化干扰程度实时调整；

在融合过程中，若检测到视觉模态特征因风格迁移导致失真，则基于运动模态特征的时空连续性进行局部特征补偿，确保融合后的特征向量同时反映视觉风格与动作本质；

对融合后的特征向量进行异常检测时，引入冲突消解机制：当两类模态的判定结果不一致时，优先采纳运动模态的检测结果，并通过回溯相邻帧的轨迹一致性进行结果验证。

6.根据权利要求1所述的一种基于图神经网络的视频风格迁移姿态检测方法，其特征在于，从风格化视频中提取每帧的关节点坐标与对应像素区域的色彩分布，计算关节点的运动轨迹偏移量与风格化区域的颜色分布差异，生成修正参数；

根据修正参数对动态时空关联网络的节点连接权重进行梯度下降优化，针对轨迹偏移量超过阈值的节点，降低其与相邻节点的连接权重；

对颜色分布差异超过设定范围的像素区域，重新计算其与相邻帧对应区域的时空关联性，更新局部节点的特征聚合规则；

将优化后的节点连接权重与特征聚合规则反馈至动态时空关联网络，生成更新后的风格迁移结果与时空轨迹序列，迭代执行直至轨迹偏移量与颜色差异收敛至预设范围。

7.根据权利要求1所述的一种基于图神经网络的视频风格迁移姿态检测方法，其特征在于，所述动作异常的判定具体包括：预设动作模式库包含标准动作的时空特征向量、轨迹偏移容限及运动方向约束条件；

将实时生成的时空特征向量与模式库中的特征进行逐维度对齐，计算轨迹偏移量、方向偏离角及运动加速度差异；

若轨迹偏移量超过容限、方向偏离角大于设定角度或加速度差异突破阈值，则判定为异常动作；

对判定结果进行多帧连续性验证，仅当连续多帧检测到异常时输出最终结果。

8.根据权利要求1所述的一种基于图神经网络的视频风格迁移姿态检测方法，其特征在于，所述预处理包括：对视频帧进行动态区域分割，根据内容复杂度阈值将视频帧内部划分为高细节区域与低细节区域，对高细节区域进行局部超分辨率增强；

提取视频帧的光流信息，生成运动矢量图，标记高运动区域与静态区域；根据运动矢量图动态调整预处理参数，对高运动区域进行降噪与模糊抑制，对静态区域进行色彩均衡优化；

将预处理后的视频数据流与运动矢量图同步输入动态时空关联网络，指导网络对关键区域的聚焦优化。