1.一种基于两阶段特征对齐的开放集人体活动识别方法，其特征在于，所述基于两阶段特征对齐的开放集人体活动识别方法，采用源域传感器数据和目标域传感器数据对构建的人体活动识别网络模型进行训练，然后利用训练好的人体活动识别网络模型进行人体活动识别，包括：将源域传感器数据样本和目标域传感器数据样本输入到特征提取模块，提取到源域全局特征和目标域全局特征；

将源域全局特征和目标域全局特征分别输入到全局特征对齐鉴别器，通过对抗学习计算全局特征对齐损失；

将源域全局特征和目标域全局特征划分为源域实例特征和目标域实例特征，使用源域实例特征预训练类别划分模块，然后将目标域实例特征输入类别划分模块，判别目标域实例特征是公共类实例特征或私有类实例特征；

采用源域实例特征对离散时序自注意力模块进行预训练，并冻结离散时序自注意力模块的参数，将公共类实例特征输入到离散时序自注意力模块得到可迁移特征，通过对抗学习计算实例特征对齐损失；

计算目标域私有类实例特征的特征中心和概率中心，然后通过余弦相似度距离分别计算每个目标域内私有类实例特征相对于特征中心的偏差和相对于概率中心的偏差，计算私有类约束损失；

联合全局特征对齐鉴别器损失、公共类实例对齐损失和私有类约束损失，更新人体活动识别网络模型的参数；

将待识别传感器数据输入训练好的人体活动识别网络模型，得到识别结果。

2.根据权利要求1所述的基于两阶段特征对齐的开放集人体活动识别方法，其特征在于，所述将源域全局特征和目标域全局特征分别输入到全局特征对齐鉴别器，通过对抗学习计算全局特征对齐损失，包括：将源域全局特征和目标域全局特征分别输入到全局特征对齐鉴别器，得到全局特征对齐鉴别器输出；

通过如下公式计算全局特征对齐损失 ：

；

其中， 表示源域全局特征对应的全局特征对齐鉴别器输出， 表示目标域全局特征对应的全局特征对齐鉴别器输出， 表示源域全局特征对应的期望值， 表示目标域全局特征对应的期望值。

3.根据权利要求1所述的基于两阶段特征对齐的开放集人体活动识别方法，其特征在于，所述使用源域实例特征预训练类别划分模块，然后将目标域实例特征输入类别划分模块，判别目标域实例特征是公共类实例特征或私有类实例特征，包括：使用源域实例特征对类别划分模块的分类器进行预训练，对类别划分模块的分类器的参数矩阵进行奇异值分解；

对奇异值分解得到的右奇异矩阵进行划分，得到源域已知类别特征子空间和源域未知类别特征子空间；

将目标域实例特征在源域已知类别特征子空间和源域未知类别特征子空间上进行投影，得到对应的已知特征和未知特征；

计算出投影得到的未知特征对应的欧几里得范数，然后与分布阈值进行比较，判别目标域实例特征是公共类实例特征或私有类实例特征。

4.根据权利要求1所述的基于两阶段特征对齐的开放集人体活动识别方法，其特征在于，所述离散时序自注意力模块包括 个时间离散采样层，所述将公共类实例特征输入到离散时序自注意力模块得到可迁移特征，包括：对于第 个时间离散采样层，实例特征被滑动分割为 个局部实例特征，局部实例特征通过多层感知机进行特征融合，得到局部离散特征；

将局部离散特征经过辅助分类器进行类别预测，得到类别预测结果；

计算类别预测的熵，然后基于类别预测的熵，得到局部离散特征的权重；

对所有局部离散特征进行加权求和，得到可迁移特征。

5.根据权利要求1所述的基于两阶段特征对齐的开放集人体活动识别方法，其特征在于，所述通过对抗学习计算实例特征对齐损失，包括：将源域实例特征对应的可迁移特征输入到人体活动识别分类器，并计算人体活动识别分类损失；

计算源域实例特征对目标域实例特征的权重；

将源域实例特征对应的可迁移特征和目标域实例特征对应的可迁移特征输入到实例特征对齐鉴别器，计算每个目标域实例特征对应的实例特征对齐鉴别器损失；

联合人体活动识别分类损失和所有实例特征对齐鉴别器损失，得到实例特征对齐损失。

6.根据权利要求1所述的基于两阶段特征对齐的开放集人体活动识别方法，其特征在于，所述私有类约束损失，公式表示如下：；

其中， 表示私有类约束损失， 为目标域私有类实例特征样本的数量， 表示相对于特征中心的偏差， 表示相对于概率中心的偏差。