1.一种融合关节捕捉的三流自适应图卷积模型的动作识别方法，其特征在于，包括如下步骤：
S1、引入时空注意力模块来捕捉人体骨架序列的时空特征：使用空间注意力模块来处理帧内关节信息和骨骼位置信息的动态相关性；使用时间注意力模块来关注帧间骨骼运动信息的特征相关性；
S2、构建融合关节捕捉三流自适应图卷积模型：利用高斯嵌入函数处理关节信息，在高斯嵌入函数归一化操作后加入一维卷积层来聚合CNN通道维度，在邻接矩阵后加入动态比例系数帮助模型有效收敛，引入骨骼运动信息构建三流自适应图卷积模型，包括如下小步：
S21、用图卷积对骨架序列在时间和空间两个维度进行建模；
S22、改进的自适应图卷积模型在高斯嵌入函数归一化操作之后加入1维卷积层，利用CNN融合通道维度的信息，及时捕捉关节间的全局上下文信息；在邻接矩阵Ak后加入动态比例系数α，使邻接矩阵仅作用于训练的早期阶段，增加自适应图卷积模型的灵活性；在三个图融合之后加入残差结构，保证模型的稳定性；
S23、将时空注意力机制STAM融入自适应图卷积模型：对自适应图卷积模型帧数进行一次下采样，以此来减少参数量，提高网络训练速度；加入时空注意力模块STAM，同时引入残差结构，提高模型的稳定性；
S24、加入骨骼运动信息的三流自适应图卷积模型：提取骨架特征信息中的关节点信息、骨骼位置信息和骨骼运动信息，构建三流自适应图卷积模型，三流自适应图卷积模型每个分支单独训练各自得到对应的softmax层分数，经过融合得到最终的预测结果；
S3、验证三流自适应图卷积模型的识别准确率：采用Openpose姿态估计算法对输入的视频帧进行特征提取，得到骨架数据，用三流自适应图卷积模型进行行为识别。
2.如权利要求1所述的融合关节捕捉的三流自适应图卷积模型的动作识别方法，其特征在于，所述步骤S1中，时空注意力模块包含时间和空间两个维度的信息，时空注意力模块帮助网络在复杂视频中关注到最具判别力的时空区域，同时排除其他无关区域的干扰；时空注意力模块嵌入网络的任何位置而不影响网络原本的结构。
3.如权利要求2所述的融合关节捕捉的三流自适应图卷积模型的动作识别方法，其特征在于，所述步骤S1中，空间注意力模块用于空间维度上把握不同区域对目标区域的影响程度，对输入特征 进行相应运算得到关节i和关节j之间关联强度
Si,j，再将隐藏状态的注意力权重归一化到[0，1]范围内，具体计算公式如下所示：
式中：C×T×N为输入特征的维度，C为通道数，T为帧数，N为关节数，Np为不同位置的特征图。
4.如权利要求1所述的融合关节捕捉的三流自适应图卷积模型的动作识别方法，其特征在于，所述步骤S1中，时间注意力模块用于突出不同时间段的人体骨骼信息之间最具关注度的时域片段；
将输入特征 通过一个卷积核为1×1的卷积层将特征维度变为1
×N，Ei,j表示时间i和时间j之间的依赖程度，最后要对其进行权值归一化，具体计算公式如下所示。
5.如权利要求4所述的融合关节捕捉的三流自适应图卷积模型的动作识别方法，其特征在于，所述步骤S21中，骨架序列中含有N个节点和T个视频帧，构建无向图为G＝(V,E)，其中V＝{vti|t＝1,2,,T,i＝1,2,...,N}代表节点集合，E＝{Es,Et}为边集合，Es表示同一帧上人体骨架的自然连接，属于帧内连接，Et表示同一关节点在相邻帧上的连接，属于帧间连接，则图卷积运算如公式(5)所示：
‑1/2 ‑1/2
式中：⊙表示点积运算，Wk为权重，Kv的值为3，Ak＝Dk AkDk 为邻接矩阵，对于每一个邻接矩阵Ak都要点乘一个可学习的掩码矩阵Mk。
6.如权利要求5所述的融合关节捕捉的三流自适应图卷积模型的动作识别方法，其特征在于，所述步骤S22中，改进的自适应图卷积模型的输出特征fout计算步骤如下：
首先，第n层输入特征fin的维度为C×T×N，将其映射到高斯嵌入函数θk和 中计算关节相关性，将两个嵌入图重新排列为CeT×N和N×CeT两个矩阵，计算公式(6)如下：
其次，将两个矩阵相乘进行归一化操作得到N×N的相似度矩阵，再经过输出通道为1的CNN，聚合通道维度的特征信息得到公式(7)中Ck：
最后，将αAk、Bk和Ck相加融合组成自适应图卷积模型的邻接矩阵，自适应图卷积模型第n层的输出特征fout表示为公式(8)：
式中：α为动态比例系数，自定义数值帮助模型有效收敛；Wk、Bk、θk、为可学习的参数；
动态比例系数α，其原理为α随训练轮次的增加而减小，使代表人体物理结构的邻接矩阵Ak在实验后期的作用减弱，从而突出可自适应生成矩阵Bk与Ck对人体骨架特征提取的灵活性，α的计算公式如下：
α＝1‑0.02bEpoch,α∈[0,1]                              (9)
式中：bEpoch为迭代次数Epoch的值，α的值在0到1之间。
7.如权利要求6所述的融合关节捕捉的三流自适应图卷积模型的动作识别方法，其特征在于，所述步骤S23中，改进的自适应图卷积模型包含九个自适应图卷积块，其中自适应图卷积块由自适应图卷积和时间卷积串联组成；九个自适应图卷积块分别对应B1～B9，输出通道维度对应64、64、64、128、128、128、256、256、256，在B4和B7中对帧数进行一次下采样，以此来减少参数量，提高网络训练速度；在B3和B4之间加入时空注意力模块STAM，同时在相邻自适应图卷积块之间引入残差结构。
8.如权利要求7所述的融合关节捕捉的三流自适应图卷积模型的动作识别方法，其特征在于，所述S24中，加入骨骼运动信息的三流自适应图卷积模型包括如下具体步骤：
首先，将骨骼位置信息用于动作识别，根据人体骨架的关节点信息和骨骼位置信息构建双流网络；
其次，在提取关节点信息和骨骼位置信息分别作为J‑Stream、B‑Stream两个支流的输入的基础上，加入骨骼运动信息作为B‑M‑Stream的输入构建三流自适应图卷积模型；
再次，将靠近骨架重心的关节定义为源关节Jsource，远离重心的关节定义为目标关节Jtarget，t帧的关节Jt的骨骼信息表示为从其源关节指向目标关节的向量Bt＝Jttarget‑Jtsource；
最后，将中心关节指定给自建的值为0的空骨骼，骨骼和关节的图形和网络一一对应，骨骼运动信息用公式表示为MBt＝Bt+1‑Bt，三个网络分支单独训练各自得到对应的softmax层分数，经过融合得到最终的预测结果。
9.如权利要求1所述的融合关节捕捉的三流自适应图卷积模型的动作识别方法，其特征在于，所述步骤S3中，验证三流自适应图卷积模型的识别准确率的数据集包括：
Kinetics数据集：为一个大规模的人类行为数据集，大于30万个视频片段，每段时长有
10s左右，总计包含400个动作类别；采用骨骼序列数据集Kinetics‑Skeleton进行训练与测试，评价指标为Top‑1和Top‑5，其中训练集为240000个片段，测试集为20000个片段；
NTU‑RGB+D数据集：为动作识别中应用最广的数据集，有56880个动作片段，包括60个动作类，使用三个不同角度的相机拍摄，每个骨架包含25个关节；根据训练集和测试集的不同划分方法，采用了两种评价指标：X‑Sub和X‑view，其中，X‑Sub按照人物ID来划分训练集和测试集，X‑view则根据相机的不同来划分训练集和测试集。
10.如权利要求9所述的融合关节捕捉的三流自适应图卷积模型的动作识别方法，其特征在于，所述步骤S3中，Kinetics数据集采用单序列150帧，NTU‑RGB+D数据集统一采用单序列300帧；深度学习框架为PyTorch1.12.1，优化策略采用随机梯度下降SGD，单次参加训练的样本数为32，迭代次数设置为50次，前30个Epoch的学习率设置为0.1，之后学习率降低为
0.01。