1.一种基于全局时空注意力模型的动作识别方法，其特征在于：包括以下步骤：步骤1：构建全局时空注意力模型，所述全局时空注意力模型包括依次连接的全局空间注意力模型、累加式曲线模型ALC和分类层；

步骤2：利用人体动作序列对所述全局时空注意力模型依次进行训练、验证和测试；

步骤3：当测试效果最佳的模型精度达到设定的阈值，则完成训练并将测试效果最佳的模型作为最终模型，否则继续进行训练；

步骤4：将待检测人体动作序列输入所述最终模型进行动作识别，得出动作序列的识别结果；

所述步骤1中全局时空注意力模型的构建方法如下：步骤11：构建全局空间注意力模型，用于输入人体动作序列X，输出人体动作序列X的空间注意力权重a，a＝(a1,...,ai,...,aK)＝f(X)，人体动作序列X表示为：

X＝{Xt＝(Xt,1,...,Xt,i...,Xt,K)|t＝1,...,n}，其中，t表示人体动作序列中动作的时刻，n表示人体动作序列的长度，K表示人体关节点的个数，i表示人体关节点的序号；

步骤12：构建累加式曲线模型ALC，用于输入利用空间注意力权重a进行权重分配后的人体动作序列X'，输出人体动作序列具有时间注意力权重βt的特征ot，步骤13：构建分类层，用于输入特征ot，输出人体动作序列X的分类结果；

所述步骤11中，全局空间注意力模型包括依次连接的LSTM层、全连接层、ReLU层和Normalize层；

LSTM层：用于提取所述人体动作序列X中每一动作的特征；

全连接层：用于对输入该层的特征进行降维；

ReLU层：用于增强全局空间注意力模型的非线性化；

Normalize层：用于规格化数据；

所述步骤12中，累加式曲线模型ALC包括依次连接的三层LSTM层和权重层，三层LSTM层：用于对X'进行动作特征提取，得到提取的特征ht；

权重层：用于对所述特征ht赋予权重βt，得到结果ot，ot＝βtht；

所述分类层包括全连接层和Softmax分类层。

2.根据权利要求1所述的一种基于全局时空注意力模型的动作识别方法，其特征在于：训练时采用的损失函数为：

其中，yi表示所述人体动作序列的真实动作类型，C表示动作的类别数量；

表示全局时空注意力模型预测出的动作类型，i表示人体关节点的序号，表示全局空间注意力模型参数的二阶正则化， 表示累加式曲线模型ALC参数的二阶正则化，λ1和λ2均表示平衡因子。