1.基于CNN-LSTM的舞蹈情感识别方法，其特征在于，包括以下步骤：步骤1，基于拉班动作分析方法LMA对舞蹈情感的描述，从舞蹈动作数据集中计算出舞蹈情感数据集；

步骤2，针对步骤1中的舞蹈情感数据集的每一帧数据进行维度转换，转换为2*160的输入维度，输入至三层CNN卷积神经网络中，提取舞蹈情感特征，得到舞蹈情感特征向量；

步骤3，将步骤2舞蹈情感特征向量输入到LSTM长短时记忆神经网络中，并通过全连接层进行特征融合，同时，使用BN层对特征数据进行归一化处理，最后使用softmax层进行分类，完成舞蹈情感识别。

2.根据权利要求1所述的基于CNN-LSTM的舞蹈情感识别方法，其特征在于，所述步骤1具体为：步骤1.1，使用可穿戴的动作捕捉设备绑定人体关键骨骼部位，并采集若干舞蹈动作数据并保存为BVH动作捕捉文件；

步骤1.2，将步骤1.1中的所述BVH动作捕捉文件的动作捕捉数据区的每一帧数据进行提取，其中，每一帧数据均由人体骨骼节点的世界坐标和欧拉角组成，得到舞蹈动作数据；

步骤1.3，通过肢体结构、空间方位、力效三个参数对舞蹈情感的分析和描述，将步骤

1.2的舞蹈动作数据进行情感特征的计算，得到舞蹈情感数据集。

3.根据权利要求2所述的基于CNN-LSTM的舞蹈情感识别方法，其特征在于，所述步骤

1.3中：

所述肢体结构以骨骼对距离d为参数描述，相邻节点i和j之间的骨骼对距离具体为：其中节点i的坐标为(xi,yi,zi)，节点j的坐标为(xj,yj,zj)；

所述空间方位以人体肚脐Hips为中心，竖直方向分为三个区域，水平方向以22.5°为夹角，分为九个区域；

所述力效以骨骼节点加速度a和任一骨骼节点速度v为参数描述，具体为：a＝Δv/t                      (3)其中，节点i上一时刻的坐标为(xi-1,yi-1,zi-1)，每一帧时间为t，Δv为速度增量。

4.根据权利要求3所述的基于CNN-LSTM的舞蹈情感识别方法，其特征在于，所述步骤2中三层CNN卷积神经网络包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层，具体为：步骤1.1中每一帧数据分别计算的特征值中相对距离有52个，速度有54个，加速度有54个，故每一帧共有320个数据，所述输入层数据大小为2*160；

所述第一卷积层为1*2的一维卷积核、卷积核数18个、卷积核步长为1，第二卷积层为1*

2一维卷积核、卷积核数36个、卷积核步长为1；第三卷积层为1*2一维卷积核、卷积核为72个、卷积核步长为1；

所述第一池化层、第二池化层和第三池化层均为1*2窗口、步长为2，且第二池化层和第三池化层均采用SAME方式填充。

5.根据权利要求1所述的基于CNN-LSTM的舞蹈情感识别方法，其特征在于，所述步骤3具体包括：步骤3.1，更新遗忘门，具体如公式(4)：

ft＝σ(wf·[ht-1,xt]+bf)        (4)公式(4)中，参数σ为激活函数，参数wf为遗忘门的权值，参数为ht-1神经元上一时刻的输出，参数xt为当前时刻的输入，参数bf为遗忘门的偏移量；

步骤3.2，更新输入门的输出，如公式(5)和(6)：it＝σ(wi·[ht-1,xt]+bi)      (5)公式(5)中，参数wi为输入门的权值，参数bi为输入门的偏移量；

公式(6)中，参数tanh为激活函数，参数wc为当前输入单元状态对应的权值，参数bc为当前输入单元状态对应的偏移量；

合并公式(5)、公式(6)以及公式(4)，更新单元状态，得到公式(7)，在公式(7)中，ft为遗忘门的输出值，ct-1上一时刻的单元状态值，it为输入门的输出值，为当前输入的单元状态；

步骤3.3，更新输出门，具体如公式(8)和(9)，ot＝σ(wo·[ht-1,xt]+bo)         (8)ht＝ot·tanh(ct)       (9)在公式(8)中，参数wo为输出门的权值，参数bo为输出门的偏移量；

公式(9)中，参数ot为上一步输出，ct为更新的单元状态值，参数tanh为激活函数；

步骤3.4，将步骤3.3中的输出包含时间与舞蹈情感数据序列的向量输入到全连接层，进行特征融合，并使用BN层对特征数据进行归一化处理；

步骤3.5，将BN层处理后输出数据传入softmax层进行分类，如公式(10)，使概率值处于[0，1]之间，得到数据的预测标签值，其中最大的标签值即为分类结果；

公式(10)中，yi为归一化得到的输出结果，exp为指数函数。