1.一种基于改进残差网络的异常行为识别方法，其特征在于，具体按照以下步骤实施：步骤1：收集视频数据集；

步骤2：使用YOLO v3目标检测算法检测视频中的物体，对视频中的物体进行框选、分类，若类别为人，则输出目标边框及类别，否则舍弃其目标边框；

步骤3：采用基于时空信息的视频帧提取方法提取步骤2框选、分类出人体的行为视频帧；

步骤4：使用人体目标检测的坐标对步骤3中视频帧的人体目标进行裁剪，以获得人体异常行为识别图像数据集；

步骤5：将人体异常行为识别图像数据集中的图片随机划分为训练集和测试集；

步骤6：对残差网络结构进行改进；

步骤7：用改进后的残差网络结构对异常行为图像进行识别。

2.根据权利要求1所述的基于改进残差网络的异常行为识别方法，其特征在于，所述步骤2中的具体过程为：步骤2.1：框选

通过特征提取网络提取输入数据的特征，得到特定大小的特征图输出：假设输入图像划分为S×S个网格，以图像中某一目标的中心落在某个网格中，来预测该目标；

定义每个网格负责预测B个边界框，每个边界框都包含自身的位置信息和置信度，此置信度代表了所预测的框中含有目标的置信度以及这个框预测的准确度两种信息，计算如下：若网格中包含某个目标则Pr(Object)＝1，否则Pr(Object)＝0， 表示实际边界框与预测框的交并比，用来测量预测边界框的准确性，当IOU＝1时，说明实际边界框与预测边界框重合；

步骤2.2：分类

对每个包含目标的网格同时预测C个类别概率Pr(Class|Object)，在预测阶段，将目标所属类别的概率Pr(Classi|Object)与边界框预测的置信度confidence相乘来获取预测边界框所属某一类别的置信分数Classi_score，如式(2)所示：将Classi_score与规定的阈值相比较，若大于规定的阈值则保留相应的预测目标边界框，否则舍弃其边框，最后利用非极大值抑制法过滤剩余的预测目标边框，输出最终的目标预测位置及其所属类别。

3.根据权利要求1所述的基于改进残差网络的异常行为识别方法，其特征在于，所述步骤3中基于时空信息的视频帧提取方法设置视频帧数为每秒25-30帧。

4.根据权利要求1所述的基于改进残差网络的异常行为识别方法，其特征在于，所述步骤5中，训练集和测试集中图像数量的比例为4:1-5:1。

5.根据权利要求1所述的基于改进残差网络的异常行为识别方法，其特征在于，所述步骤6中残差网络结构改进的具体过程为：先通过一个卷积核为7×7大小的conv1卷积层，然后接一个池化核为3×3大小的pool1最大池化层，再连接三层卷积核分别为1×1、3×3、1×1大小的conv2、conv3、conv4卷积层，之后连接十二组mul-res结构，每组都由3个卷积层构成，最后增加一个平均池化层。

6.根据权利要求5所述的基于改进残差网络的异常行为识别方法，其特征在于，所述十二组mul-res结构具体为conv5_x卷积层、conv6_x卷积层、conv7_x卷积层、conv8_x卷积层、conv9_x卷积层、conv10_x卷积层、conv11_x卷积层、conv12_x卷积层、conv13_x卷积层、conv14_x卷积层、conv15_x卷积层、conv16_x卷积层。

7.根据权利要求6所述的基于改进残差网络的异常行为识别方法，其特征在于，所述mul-res结构包括两个分支，其中一个分支依次为1×1的卷积层并用批量归一化算法和Relu激活函数进行处理、3×3的卷积层并用批量归一化算法和Relu激活函数进行处理、1×

1的卷积层并用批量归一化算法进行处理，另一个分支是权重值为k的跳跃链接，最后对两个分支进行求和，并用Relu激活函数进行处理。

8.根据权利要求7所述的基于改进残差网络的异常行为识别方法，其特征在于，所述步骤7的具体流程为：步骤7.1：利用改进的残差网络对人体异常行为图像数据集进行特征提取；

步骤7.2：在分类之前使用全连接层对人体异常行为图像在不同通道的特征信息进行整合；

步骤7.3：将整合的特征信息输入至分类层中计算其所对应的预测类的概率，输出具有最大概率的预测类作为预测结果。