1.一種基于深度學(xué)習(xí)的雙流法行為識(shí)別方法，其特征在于，包括：

根據(jù)光流卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練集，獲取光流動(dòng)作特征，包括：

獲取光流識(shí)別圖，具體為：獲取多組連續(xù)的圖像幀組，每個(gè)圖像幀組包括b個(gè)連續(xù)的圖像幀，b為大于1的自然數(shù)；

通過(guò)a個(gè)卷積層，對(duì)多組圖像幀組分別提取光流動(dòng)作特征；

分別輸入所述多組圖像幀組對(duì)應(yīng)的所述光流動(dòng)作特征至第一全連接層，并分別獲得第一分類(lèi)；

在所述第一分類(lèi)下，分別輸入所述多組圖像幀組對(duì)應(yīng)的所述光流動(dòng)作特征至第二全連接層，并分別獲得第二分類(lèi)，并分別獲得第一分類(lèi)值；

其中，a為自然數(shù)，且所述a個(gè)卷積層中的最后一個(gè)卷積層與RGB流動(dòng)作對(duì)應(yīng)的卷積層的維數(shù)相同；

根據(jù)RGB流卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練集，獲取RGB流動(dòng)作特征，包括：

獲取RGB流識(shí)別圖；

通過(guò)c個(gè)卷積層，提取RGB流動(dòng)作特征；

輸入所述RGB流動(dòng)作特征至第一全連接層，獲得第二分類(lèi)；

在所述第一分類(lèi)下，輸入所述RGB流動(dòng)作特征至第二全連接層，獲得第二分類(lèi)，并獲得第二分類(lèi)值；

其中，c為自然數(shù)，且所述a個(gè)卷積層中的最后一個(gè)卷積層與所述c個(gè)卷積層中的最后一個(gè)卷積層的維數(shù)相同；

融合所述光流動(dòng)作特征及所述RGB流動(dòng)作特征，獲取融合動(dòng)作特征，包括：

將所述a個(gè)卷積層中的最后一個(gè)卷積層的特征圖與所述c個(gè)卷積層中的最后一個(gè)卷積層的特征圖的對(duì)應(yīng)的特征點(diǎn)的特征值相加；

根據(jù)所述所述光流動(dòng)作特征、所述RGB流動(dòng)作特征及所述融合動(dòng)作特征獲取行為類(lèi)別，包括：

計(jì)算所述多組圖像幀組所對(duì)應(yīng)的第一分類(lèi)值的平均值，并通過(guò)歸一化獲取所述第一分類(lèi)值的平均值所對(duì)應(yīng)的不同動(dòng)作的可能性百分比；

通過(guò)歸一化獲取所述第二分類(lèi)值對(duì)應(yīng)的不同動(dòng)作的可能性百分比；

訓(xùn)練第三全連接層及第四全連接層；

通過(guò)所述第三全連接層及所述第四全連接層獲取第三分類(lèi)值，并歸一化獲取所述第三分類(lèi)值對(duì)應(yīng)的不同動(dòng)作的可能性百分比；

將所述第一分類(lèi)值的平均值所對(duì)應(yīng)的不同動(dòng)作的可能性百分比、所述第二分類(lèi)值對(duì)應(yīng)的不同動(dòng)作的可能性百分比及所述第三分類(lèi)值對(duì)應(yīng)的不同動(dòng)作的可能性百分比中，對(duì)應(yīng)相同動(dòng)作的百分比相加，獲得相同動(dòng)作的動(dòng)作值；

判定所述動(dòng)作值最大的動(dòng)作為待識(shí)別動(dòng)作的行為類(lèi)別；

其中，獲取光流動(dòng)作特征時(shí)，光流動(dòng)作對(duì)應(yīng)的卷積層與獲取RGB流動(dòng)作特征時(shí)，所述RGB流動(dòng)作對(duì)應(yīng)的卷積層的維數(shù)相同，所述RGB流識(shí)別圖與第一個(gè)所述圖像幀組中的第一個(gè)圖像幀相同。