1.一种基于改进自顶向下法多人姿态检测的行人运动预测方法，其特征在于，包括以下步骤：步骤1：输入原始多人行人视频；

步骤2：对输入视频进行行人边界框SSD处理，得到行人边界框b；

步骤3：对步骤2中获得的行人边界框b进行空间网络变换，提取出一个高质量的人体区域框；

步骤4：对每一个高质量人体区域框进行单人姿势检测，得到有冗杂的骨点置信度E；

步骤5：对有冗杂的骨点E，进行消除冗杂处理；

步骤6：将步骤3中获得的人体区域框映射至原图坐标中，得到原图坐标中的高质量区域框；

步骤7：将当前帧与前N帧进行步骤1-4的处理，分别得到N+1张图片的骨点E(di)，i＝1，

2，...，N+1，对这N+1张骨点图画出每张骨点的运动轨迹；

步骤8：对这N+1张图片进行光流处理，得到各个骨点的位移向量ε(d)；

步骤9：将每一帧的骨点dj以及预计下一帧的新骨点v连接，得到人体骨骼框图；

步骤10：将步骤7中获得的N+1个连续帧E(di)和步骤8的光流处理后的骨点位移偏移量ε(d)传输到长短期记忆神经网络LSTM进行训练模型；

步骤11：步骤10中每进行M次训练则生成一次骨骼框图Ef，所述Ef即为实时的行人运动预测。

2.根据权利要求1所述的基于改进自顶向下法多人姿态检测的行人运动预测方法，其特征在于，步骤2的具体实现过程是：假设得到行人边界框为b，则：

b＝(bcx，bcy，bw，bh)＝(dwlcx+dcx，dhlcy+dcy，dwexp(lw)，dhexp(lh))且其中，d表示先验框的位置，l表示边界框的预测位置，icx，icy分别表示边界框i中心的横坐标和纵坐标，iw，ih分别表示边界框i的宽和高，i可取b、d、l。

3.根据权利要求1所述的基于改进自顶向下法多人姿态检测的行人运动预测方法，其特征在于，步骤3的具体实现过程是：采用空间变换网络STN对行人边界框b提取出一个高质量的人体区域框其中，θ1，θ2，θ3均为反映人体区域框 变换前后坐标关系的向量系数， 为空间变换网络STN变换之后的区域框坐标。

4.根据权利要求1所述的基于改进自顶向下法多人姿态检测的行人运动预测方法，其特征在于，步骤4的具体实现过程是：对每一个高质量人体区域框 采用CNN单人姿势检测SPPE得到有冗杂的骨点置信度E；

其中，dj1、dj2分别为两个骨点的位置，Lc为两骨点组成的线段，u为计算该积分的中间系数，且u∈[0，1]，p(u)为两个骨点dj1、dj2之间的插值，其计算方法为：p(u)＝(1-u)dj1+udj2。

5.根据权利要求1所述的基于改进自顶向下法多人姿态检测的行人运动预测方法，其特征在于，步骤5的具体实现过程是：选取最大置信度的骨点Emax作为参考，定义η为标准的阈值，则：若E(di，dj)输出为1，则表示骨点di是冗杂的，应被消除；若E(di，dj)输出为0，则表示骨点dj是冗杂的，应被消除。

6.根据权利要求1所述的基于改进自顶向下法多人姿态检测的行人运动预测方法，其特征在于，步骤6的具体实现过程是：将人体区域框 映射至原图坐标中，即采用反空间变换网络STDN对其处理，得到原图坐标中的高质量区域框其中

[γ1 γ2]＝[θ1 θ2]-1

γ3＝-1×[γ1 γ2]θ3

其中，θ1，θ2，θ3均为反映人体区域框 变换前后坐标关系的向量系数，[γ1 γ2 γ3]为[θ1 θ2 θ3]的转置；

[θ1 θ2]的计算方法为：

θ3的计算方法为：

其中，W表示反空间变换网络输入层与输出层各个维度形成的矩阵，J(W，b)表示行人边界框b所在反空间变换网络中的位置。

7.根据权利要求1所述的基于改进自顶向下法多人姿态检测的行人运动预测方法，其特征在于，步骤8中：v＝u+d＝[ux+dx uy+dy]T

其中，v为该骨点在下一帧的新位置，u表示该骨点所在的位置，(x，y)表示该骨点的坐标，(ux，uy)表示下一帧骨点的坐标，dx、dy分别表示该骨点与下一帧骨点的距离，I(x，y)表示当前骨点所在行人边界框，J(x+dx，y+dy)表示下一帧骨点所在的行人边界框，wx、wy为定义光流法集成窗口的两个常量，其大小决定该算法时间复杂度与效果。