1.一种基于时序检测单元预筛选的视频行为检测方法,其特征在于该方法包括以下步骤：步骤(1)、构建时序检测单元，提取用于生成候选片段的预筛选帧将待检测视频V分割为T/nu个连续的时序检测单元 单元与单元之间无重叠部分，其中nu表示每个单元的帧数，sf表示起始帧，sf+nu-1表示结束帧；

所述的待检测视频V包含T帧，时间长为t秒，则 视频帧率w＝T/t；

步骤(2)、对上述时序检测单元进行预筛选处理，获得候选片段行为单元集；

将所有时序检测单元的起始帧 nu＝w/2均输入至Faster R-CNN网络进行目标检测，输出结果为帧图像中各目标及其分类概率，然后将其中检测为人类目标概率≥80％的源时序检测单元生成单元集{ui}，再从其中筛选出时间轴连续的时序检测单元组成候选行为单元集{uj}；

步骤(3)、候选行为片段特征提取

候选行为单元集{uj}中的每一个单元采用视觉编码器Ev进行处理，得到单元层级表示fu＝Ev(u)；然后将上述处理后的候选行为单元集{uj}中下标连续的单元组合后定义为单元块 得到多个单元块c，其中su表示起始单元的初始帧，nc表示单元块c中的单元数量；eu＝su+nu·(nc-1)则是结束单元的初始帧， 称为c的内部单元；定义c的上下文单元分别为 和 nctx表示作为上下文单元帧数；单元的内部特征和上下文特征分别由函数P提取并池化生成最终特征池；c的最终特征fc与上下文特征和内部特征连接；fc由下式得到：其中||表示对P的向量连接和平均池化；

步骤(4)、假定一个单元回归模块，输入为单元块c的最终特征fc，输出为时序边界回归补偿；起始回归补偿os、结束回归补偿oe由下式得到：os＝su-sgt,oe＝eu-egt

其中，su、eu表示c的起始单元初始帧和结束单元初始帧；sgt、egt是真实边界的起始帧和结束帧；

步骤(5)、最终特征fc输入LSTM网络，得到背景/行为分类及初步边界；

为得到背景/行为分类，需要对LSTM网络训练过程以及损失函数进行调整，具体如下：给每个单元块c打上分类标签(是否为行为)；正样本标签的单元块需满足以下条件之一：(1)单元块与某个已知真实行为片段重叠；(2)单元块与某个已知真实行为片段的时序交除并(tIoU)大于0.5；若某单元块与任意已知真实行为片段的tIoU等于0，则它为负样本；

其余样本不输入网络参与训练；

定义一个多任务损失函数L用于训练分类以及边界回归；

L＝Lcls+λLreg

其中，Lcls表示动作/背景分类的损失，它是一个标准Softmax损失函数；Lreg是时序边界回归的损失，λ是一个超参数；回归损失Lreg由式(3)得到：采用L1距离范数；表示标签，1为正样本，0为负样本；Npos表示正样本的数量；只对正样本计算回归损失；

步骤(6)、采用步骤(4)得到的边界回归补偿对步骤(5)得到的初步边界进行调整，从而生成准确的行为边界，进而完成行为检测。