1.一种基于监控视频的空中交通管制员不安全行为分类方法，其特征在于：所述方法包括如下步骤：S1获取数据集：采集空中交通管制员工作监控视频，对视频图像进行预处理，形成数据集；

S2数据集处理：将数据集输入至目标检测层，目标检测层定位每一个管制员在图像中的位置坐标，同时将每一个管制员目标从原图像中裁剪出来，作为后续分类模型的输入；

S3分类模型搭建：搭建双线性池化网络，使用主干网络EfficentNetV2对数据集中的图像进行分类处理，输出特征图F；

S4将管制员不安全行为分类作为细粒度图像分类，在双线性池化网络的基础上，针对图像局部分类特征不明显的特点，设计双域混合注意力机制：首先将所述特征图F输入至通道域注意力机制得到通道域注意力机制加权特征图Fc，再将所述通道域注意力机制加权特征图Fc输入至空间域注意力机制得到空间域注意力机制加权特征图Fs；

S5采用交叉熵作为损失函数，使用Pytorch深度学习框架对搭建的网络模型进行训练；

S6针对数据集，基于双域混合注意力机制的双线性池化网络生成预测pth文件，进行指标评估，指标评估达到设定值则训练完成，将待检测视频图像输入至基于双域混合注意力机制的双线性池化网络模型得到分类结果。

2.根据权利要求1所述的基于监控视频的空中交通管制员不安全行为分类方法，其特征在于：步骤S4中通道域注意力机制的处理过程为：

401)使用全局最大池化和全局平均池化并行处理输入特征图F，得到最大池化特征FGMPC×1×1 C×1×1∈R 和平均池化特征FGAP∈R ：

FGMP＝GMP(F),FGAP＝GAP(F)    (4)其中GMP()表示全局最大池化，GAP()表示全局平均池化；

402)将全局最大池化、全局平均池化特征图输入共享权重的多层感知机MLP进行缩放C×1×1 C×1×1映射学习后，得到通道域特征C1∈R 、C2∈R ：

C1＝f′(f(FGMP)),C2＝f′(f(FGAP))    (5)其中，f′(f(·))表示全连接层的缩放映射学习；

403)对全局最大池化、全局平均池化特征并行处理，其中一路通过特征元素拼接，将C1和C2进行融合，再经过全连接层做线性映射处理，另一路通过特征元素相加，将C1和C2进行融合，最后，再将两者以特征元素相加的方式融合并进行Sigmod归一化，此时得到通道域注C×1×1意力权重向量Mc∈R ：

其中，Sigmoid表示激活函数， 表示特征元素相加，concat表示特征拼接，FC表示全连接操作；

404)将通道域注意力权重向量Mc和输入特征图F进行矩阵点乘运算，最终得到与原始输入特征图F尺寸相同的通道域注意力加权特征图Fc其中， 表示矩阵点乘运算。

3.根据权利要求1所述的基于监控视频的空中交通管制员不安全行为分类方法，其特征在于：步骤S4中空间域注意力机制的处理过程为：

405)采用与通道域相同的全局最大池化和全局平均池化并行处理输入的通道域加权C×W×H C×1×1 C×1×1特征图Fc∈R ，生成最大池化特征FG′MP∈R 和平均池化特征FG′AP∈R ：FG′MP＝GMP(Fc),FG′AP＝GAP(Fc)    (8)

406)并行处理最大池化特征FG′MP和平均池化特征FG′AP，其中一路沿通道方向将FG′MP和

2×H×W

FG′AP拼接融合,得到特征图M1∈R ，另一路通过特征元素相加将两个池化特征进行融

2×H×W 2×H×W

合，得到特征图M2∈R ，将特征图M1和M2沿通道方向拼接融合，到特征图M3∈R ，将特

1×H×W

征图M3经过下采样得到空间域特征M∈R ，最后通过Sigmod归一化处理，得到空间域注

1×H×W

意力权重矩阵Ms∈R ：

407)将空间域注意力权重矩阵Ms和输入的通道域加权特征图Fc进行矩阵点乘运算，得到空间域注意力加权特征图Fs：

4.根据权利要求1所述的基于监控视频的空中交通管制员不安全行为分类方法，其特征在于：步骤S5中首先利用注意力模块特征提取器提取预测向量Fs，然后利用初始图片的y y标签y训练特征，则相应的交叉熵损失函数为‑log(Fs)，其中Fs代表图像在实际类别y上的预测概率，则在训练特征时损失函数为：y

H＝‑log(Fs)    (11)

5.根据权利要求3所述的基于监控视频的空中交通管制员不安全行为分类方法，其特征在于：步骤S3中对数据集进行分类处理的过程为：将数据集图像经过两个相同的卷积神h×w×c h×w×c经网络输出的卷积层分别为X1∈R 、X2∈R ，其中，h、w、c分别代表特征图的高、宽、通道数，Xi(i＝1,2)位于空间位置p处的描述算子分别为 和通过在每个空间位置上使用矩阵外积组合得到双线性特征，则双线性池化在位置p处的特征表示为：

其中，Fp是双线性模型在位置p处的输出结果，则双线性模型表示为：由于采用两个相同的卷积神经网络，所以双线性池化模型表示为：对于一个卷积神经网络有c个通道数，则位置p处的特征维度为1×c，然后与另一个卷积神经网络在相同位置处得到的1×c的矩阵进行乘积，得到的矩阵维度为c×c，之后将每个位置处得到的矩阵求和，转换为向量形式，得到图像上每个位置的双线性特征。

6.根据权利要求5所述的基于监控视频的空中交通管制员不安全行为分类方法，其特征在于：步骤S1中使用Opencv将获取到的数据集中的图像尺寸调整为512×512，将数据集中的一些过度曝光图像进行去噪处理，步骤S2中所述目标检测层利用YOLOv5网络检测并定位视频图像中的所有管制员前景区域，将其从原图像中分割出来，作为后续模型的输入。

7.根据权利要求6所述的基于监控视频的空中交通管制员不安全行为分类方法，其特征在于：步骤S5中使用公共数据集COCO2017对YOLOv5网络训练，训练过程中参数设置为：选择随机梯度下降作为优化器，权重衰减weight_decay＝0.0005，学习率learning_rate＝

0.001，动量momentum＝0.9，批量尺寸batch_size＝16，迭代次数epochs＝300。

8.根据权利要求6所述的基于监控视频的空中交通管制员不安全行为分类方法，其特征在于：步骤S5中训练过程包括微调训练阶段，将主干网络部分的head权重冻结，并将双线性池化网络全连接层输出维度改为所需分类的类别数量，包含正常行为和六类脱岗行为；

使用管制员不安全行为数据集进行微调训练，微调训练阶段参数设置为：选择随机梯度下降作为优化器，权重衰减weight_decay＝0.0005，学习率learning_rate＝0.001，动量momentum＝0.9，批量尺寸batch_size＝16，迭代次数epochs＝100。

9.根据权利要求5所述的基于监控视频的空中交通管制员不安全行为分类方法，其特征在于：步骤S6中采用精准率P作为评价指标，计算方法为：其中，TP、FP分别表示在某类不安全行为的分类结果里，正确和错误分为该类不安全行为的数量，评价指标精准率以百分制表示。

10.一种计算机设备，其包括存储器、处理器和存储在存储器中可供处理器运行的程序指令，其中所述处理器执行所述程序指令以实现权利要求1至9中任一项所述的方法。