1.一种基于目标位置信息推理的跨店经营行为检测方法，包括以下步骤：利用构建的数据集对Faster R-CNN进行训练获得店面检测模型，利用构建的数据集对改进的Mask R-CNN进行训练获得行人与店外物品检测模型；

截取监控视频获得帧图像，将帧图像输入至行人与店外物品检测模型、店面检测模型中，获得两个模型对应的检测结果；

当检测结果中同时出现行人、店面以及店外物品时，根据目标位置信息判断行人与店外物品的关联关系，即存在潜在的跨店经营行为，认为存在关联关系的行人与店外物品为关联目标；

针对关联目标行人，计算关联目标行人的时间权重，在关联目标行人的时间权重满足跨店经营行为判断条件时，则存在跨店经营行为。

2.如权利要求1所述的基于目标位置信息推理的跨店经营行为检测方法，其特征在于，所述数据集的构建过程为：从监控视频中截取帧图像，并筛选帧图像中同时包含有行人、店面以及点外物品的帧图像，对筛选得到的帧图像中的行人、店面以及店外物品进行标注和分类，形成数据集。

3.如权利要求1或2所述的基于目标位置信息推理的跨店经营行为检测方法，其特征在于，截取帧图像的过程为：设置一个时钟timer，timer初始值为0，每过一帧视频图像，timer自动加1，设当前监考视频帧率为r，则有：当R＝1时，进行一次采样，即截取一帧图像，当R＝0时，则忽略该帧帧图像。

4.如权利要求1所述的基于目标位置信息推理的跨店经营行为检测方法，其特征在于，所述改进的Mask R-CNN主要体现在对Mask R-CNN的部分参数结构的改进，具体包括：(1)在RPN阶段，主动抛弃面积小于阈值Smin的和面积大于阈值Smax的边框区域；

(2)增大边框区域部分损失函数的权重，总损失函数为：L＝Lcls+δ*Lbox+Lmask

其中，δ＞1，Lbox表示边框区域损失函数，Lcls表示目标分类的损失函数，Lmask表示目标掩膜的损失函数。

5.如权利要求4所述的基于目标位置信息推理的跨店经营行为检测方法，其特征在于，改进的Mask R-CNN的训练过程为：将数据集以固定比例分成训练集与测试集，利用训练集对改进的Mask R-CNN进行预训练，并利用测试集对预训练的Mask R-CNN进行测试；

针对测试识别准确率低于80％的类别模型，将训练集中该类别对应的图像按照一定的比例分割成大小两部分，对于比例较大的一部分中的图像随机添加噪声，保持比例较小的另一部分的图像不变，构成新训练集；

利用新训练集对测试识别准确率低于80％的类别模型再次进行迭代训练，优化模型参数，获得最终的行人与店外物品检测模型。

6.如权利要求1所述的基于目标位置信息推理的跨店经营行为检测方法，其特征在于，所述根据目标位置信息判断行人与店外物品的关联关系包括：设行人与店外物品所在识别框的中心点坐标分别为：A(x1，y1)，B(x2，y2)，则行人与店外物品之间的距离s为：s＝[(x1-x2)2+(y1-y2)2]1/2

当行人与店外物品之间的距离s小于距离阈值smin时，认为行人与店外物品构成关联。

7.如权利要求1所述的基于目标位置信息推理的跨店经营行为检测方法，其特征在于，所述计算关联目标行人的时间权重包括：针对连续的帧图像，计算前后帧图像检测结果中关联目标行人的重叠率；

当重叠率大于重叠阈值a％时，则认为关联目标行人为同一个人，则更新时间权重W：W＝A×t+w0

其中，A为增加系数，w0为时间权重初始值，W为时间t时目标的时间权重。

8.如权利要求7所述的基于目标位置信息推理的跨店经营行为检测方法，其特征在于，所述计算前后帧图像检测结果中关联目标行人的重叠率包括：设前后帧图像中的识别框的面积分别为S1，S2，重叠区域面积为S，则重叠率k为：其中，min(S1，S2)表示S1，S2两者中求较小值。