本发明涉及识别行为识别，具体涉及一种公共场景下的异常行为识别方法。
背景技术：
1、随着我国的不断发展，如何保障公共安全一直是保障社会经济发展的重要课题。许多先进的技术开始应用到公共安全管理领域中，其中视频监控技术的广泛应用在维护各种公共场景的安全中起到了重要的作用。
2、然而，随着视频摄像头的广泛部署，仅靠传统人工方法对视频数据进行监管分析效率低下，不利于及时发现异常行为并发出警示。监控视频中的异常行为事件常常发生在视频中的某一瞬间，但是安保人员却需要查看完整的视频才能发现异常行为的发生，使得满足安全防范要求具有很大的困难性。因此亟需一种方法能够对视频中的异常行为进行有效的分析和理解。
技术实现思路
1、鉴于现有技术中的上述缺陷或不足，期望提供一种异常行为识别方法。
2、本申请实施例提供了一种异常行为识别方法，该方法包括：
3、si：获取原始的视频数据；
4、s2：构建videoconvtransformer模型；
5、s3：将原始视频数据输入到videoconvtransformer模型中，得到特征图；
6、s4：提取特征图中的特征结果，并将结果转换为图片后进行识别，得到识别结果。
7、在其中一个实施例中，所述videoconvtransformer模型包括3dpatch partition层以及四个stage单元；
8、其中，第一个stage单元包含linear embedding模块和videoconvblock模块；第二个stage单元包含patch merging模块和videoconvblock模块；第三个stage单元包含patchmerging模块和videoswintransformerblock模块；第四个stage单元包含patch merging模块和videoswintransformerblock模块。
9、在其中一个实施例中，第一个stage单元内部重复videoconvblock模块次数为3次；第二个stage单元内部重复videoconvblock模块次数为4次；第三个stage单元内部重复videoswintransformerblock模块次数为6次；第四个stage单元内部重复videoswintransformerblock模块次数为2次。
10、在其中一个实施例中，所述videoswintransformerblock模块包括ln子模块、3dw-msa子模块、ln子模块、mlp子模块、ln子模块、3d sw-msa子模块、ln子模块、mlp子模块。
11、在其中一个实施例中，所述将原始视频数据输入到videoconvtransformer模型中，得到特征图，包括：
12、s301：通过3dpatch partition层将输入的原始视频数据切分为不重合的patch集合；
13、s302：视频进入到linear embedding模块，linear embedding模块将输入视频的维度变成预先设置好的维度值；
14、s303：经过linear embedding模块后，依次进入多个videoconvblock模块和多个videoswintransformerblock模块，得到特征图。
15、本申请的有益效果包括：
16、本申请提供的异常行为识别方法基于videoconvtransformer模型，通过利用卷积有效提取浅层特征，利用transformer提取深层特征建立全局关系，从而能够更加有效的提取特征，同时发挥卷积和自注意力机制的优势，实现高效的特征学习。
1.一种异常行为识别方法，其特征在于，该方法包括：
2.根据权利要求1所述异常行为识别方法，其特征在于，所述videoconvtransformer模型包括3dpatch partition层以及四个stage单元；
3.根据权利要求2所述的异常行为识别方法，其特征在于，第一个stage单元内部重复videoconvblock模块次数为3次；第二个stage单元内部重复videoconvblock模块次数为4次；第三个stage单元内部重复videoswintransformerblock模块次数为6次；第四个stage单元内部重复videoswintransformerblock模块次数为2次。
4.根据权利要求2所述异常行为识别方法，其特征在于，所述videoswintransformerblock模块包括ln子模块、3d w-msa子模块、ln子模块、mlp子模块、ln子模块、3dsw-msa子模块、ln子模块、mlp子模块。
5.根据权利要求2所述异常行为识别方法，其特征在于，所述将原始视频数据输入到videoconvtransformer模型中，得到特征图，包括：
