1.一种多信息融合的人体行为检测方法，其特征在于，包括如下步骤：

步骤1，收集工作人员的图像信息和加速度信息；

步骤2，利用目标检测网络模型处理图像信息，使用目标检测网络模型处理图像信息，如果有异常，即检测的图像中不包含设定的目标，则进行提醒；

步骤3，结合加速度信息和图像信息，利用不同动作识别算法识别工作人员登高、爬梯、验电、放点、接地动作，然后采用加权融合的方法，最终确定工作人员的动作。

2.如权利要求1所述的一种多信息融合的人体行为检测方法，其特征在于：步骤1中收集工作人员的图像信息和加速度信息的设备包括2个USB摄像头和多个加速度传感器；其中一个USB摄像头1用于获取工作人员的工作图像另一个USB摄像头2用于获取接地桩的图像；

所述加速度传感器用于获取电力工人在作业时加速度的变化情况，可放置在工作人员的腰部或腿部或手臂上。

3.如权利要求1所述的一种多信息融合的人体行为检测方法，其特征在于：步骤2中使用目标检测网络模型处理图像信息，如果有异常，即检测的图像中不包含设定的目标，则进行提醒，其具体实现方式如下；

首先构建目标检测网络模型，包括特征提取模块，多尺度融合模块，特征检测模块；

其中特征提取模块用于提取特征图F1，包含若干个结构相同的子模块，每个子模块包括1个卷积层和1个最大池化层；

多尺度融合模块的输入为特征提取模块提取的特征图F1，包括多个空洞卷积层支路、1个连接层和一个卷积层，将多个卷积层支路的输出特征图输入连接层，最后再通过一个传统卷积层进行多尺度特征融合；

特征检测模块包括依次连接的N层卷积层，其中前N层中除第1层和最后一层单数层外，其他单数层的卷积层后面分别连接池化操作，然后将池化后的特征以及最后一层卷积后的特征进行特征加和，对特征加和后的特征进行池化和全连接操作，然后经过一个区域生成网络，输出标签值和预测检测框；

然后构建训练集，对训练集中的图像通过labeling标注工具，将工作人员，工作服，安全帽，手套，工作绳，接地桩进行标注；

训练阶段，将训练集中图像送入目标检测网络模型进行训练，输出训练好的目标检测网络模型。

检测阶段，将USB摄像头1和USB摄像头2获取的图像分别输入到训练好的目标检测网络模型中，输出USB摄像头1捕捉到的图像中是否包括工作人员，工作服，安全帽，手套，工作绳，如果检测结果中不包含其中任一目标，则为异常；输出USB摄像头2中是否包含接地桩，如果不包含则为异常。

4.如权利要求1所述的一种多信息融合的人体行为检测方法，其特征在于：步骤3中所述不同动作识别算法包括motion excitation模块、multiple temporal aggregation模块、3D CNN模型、时间金字塔网络、双向循环神经网络、长短期记忆网络；其中motion excitation模块、multiple temporal aggregation模块、3D CNN模型输入的是图像信息，时间金字塔网络、双向循环神经网络、长短期记忆网络输入的加速度信息。

5.如权利要求1所述的一种多信息融合的人体行为检测方法，其特征在于：步骤3中加权融合的公式为：wi为不同算法的权重，μi为变量，根据不同算法的识别效果在(0,0.5]范围内取值；x表示输入数据，fu(x)是输入数据对应的最终的模式识别结果，其最大的值对应于分类y，而且y∈Y，其中Y为动作类别集合；fi(x)是第i个识别算法的结果，对应权值为wi，[fi(x)＝yi]代表与之对应的动作识别分类yi。

6.一种多信息融合的人体行为检测系统，其特征在于：包括图像采集单元、加速度采集单元、目标检测单元、信息融合单元、动作识别单元；

其中，所述图像采集单元用于采集电力工人实时的工作场景的图像信息；

所述加速度采集单元用于提供工人加速度信息；

所述目标检测单元，利用目标检测网络模型处理图像信息，使用目标检测网络模型处理图像信息，如果有异常，即检测的图像中不包含设定的目标，则进行提醒；

信息融合单元，用于结合加速度信息和图像信息，利用不同动作识别算法识别工作人员登高、爬梯、验电、放点、接地动作所述动作识别单元，用于采用加权融合的方法对不同算法的识别结果进行融合，确定工作人员最终的动作。

7.如权利要求6所述的一种多信息融合的人体行为检测系统，其特征在于：目标检测单元中使用目标检测网络模型处理图像信息，如果有异常，即检测的图像中不包含设定的目标，则进行提醒，其具体实现方式如下；

首先构建目标检测网络模型，包括特征提取模块，多尺度融合模块，特征检测模块；

其中特征提取模块用于提取特征图F1，包含若干个结构相同的子模块，每个子模块包括1个卷积层和1个最大池化层；

多尺度融合模块的输入为特征提取模块提取的特征图F1，包括多个空洞卷积层支路、1个连接层和一个卷积层，将多个卷积层支路的输出特征图输入连接层，最后再通过一个传统卷积层进行多尺度特征融合；

特征检测模块包括依次连接的N层卷积层，其中前N层中除第1层和最后一层单数层外，其他单数层的卷积层后面分别连接池化操作，然后将池化后的特征以及最后一层卷积后的特征进行特征加和，对特征加和后的特征进行池化和全连接操作，然后经过一个区域生成网络，输出标签值和预测检测框；

然后构建训练集，对训练集中的图像通过labeling标注工具，将工作人员，工作服，安全帽，手套，工作绳，接地桩进行标注；

训练阶段，将训练集中图像送入目标检测网络模型进行训练，输出训练好的目标检测网络模型。

检测阶段，将USB摄像头1和USB摄像头2获取的图像分别输入到训练好的目标检测网络模型中，输出USB摄像头1捕捉到的图像中是否包括工作人员，工作服，安全帽，手套，工作绳，如果检测结果中不包含其中任一目标，则为异常；输出USB摄像头2中是否包含接地桩，如果不包含则为异常。

8.如权利要求6所述的一种多信息融合的人体行为检测系统，其特征在于：信息融合单元中所述不同动作识别算法包括motion excitation模块、multiple temporal aggregation模块、3D CNN模型、时间金字塔网络、双向循环神经网络、长短期记忆网络；其中motion excitation模块、multiple temporal aggregation模块、3D CNN模型输入的是图像信息，时间金字塔网络、双向循环神经网络、长短期记忆网络输入的加速度信息。

9.如权利要求6所述的一种多信息融合的人体行为检测系统，其特征在于：动作识别单元中加权融合的公式为：wi为不同算法的权重，μi为变量，根据不同算法的识别效果在(0,0.5]范围内取值；x表示输入数据，fu(x)是输入数据对应的最终的模式识别结果，其最大的值对应于分类y，而且y∈Y，其中Y为动作类别集合；fi(x)是第i个识别算法的结果，对应权值为wi，[fi(x)＝yi]代表与之对应的动作识别分类yi。