1.一种异常行为识别方法，其特征在于，包括：

获得针对人体采集的视频流，并从所述视频流中提取出一系列连续的人体关键点，所述人体关键点表征人体的骨骼和关节，所述系列连续的人体关键点包含人体的骨骼和关节的频率信息；

对所述系列连续的人体关键点进行降维处理，获得降维后的特征值，所述特征值表征人体的动态特征；

使用训练后的单类支持向量机对所述降维后的特征值进行分类，获得分类结果，所述分类结果表征所述视频流中的人体是否存在异常行为；

其中，所述对所述系列连续的人体关键点进行降维处理，包括：使用动态模型分解算法从所述系列连续的人体关键点中采样得到所述人体关键点的矩阵；若所述人体关键点的矩阵维度大于预设维度，则使用奇异值分解对所述人体关键点进行降维处理，从而提取出频率信息，所述降维后的特征值包括所述频率信息。

2.根据权利要求1所述的方法，其特征在于，所述从所述视频流中提取出人体关键点，包括：从所述视频流中提取出视频图像；

使用神经网络模型从所述视频图像提取出人体关键点。

3.根据权利要求2所述的方法，其特征在于，在所述使用神经网络模型从所述视频图像提取出人体关键点之前，还包括：获得多个样本视频和多个人体模型，所述人体模型中包括与所述样本视频对应的人体关键点；

以所述多个样本视频为训练数据，以所述多个人体模型中的人体关键点为训练标签，对神经网络进行训练，获得所述神经网络模型。

4.根据权利要求3所述的方法，其特征在于，在所述使用训练后的单类支持向量机对所述降维后的特征值进行分类之前，还包括：获得所述样本视频对应的分类标签，并使用动态模型分解算法对所述样本视频对应的人体关键点进行降维处理，获得所述样本视频对应的特征值；

以所述样本视频对应的特征值为训练数据，以所述样本视频对应的分类标签为训练标签，对单类支持向量机进行训练，获得所述训练后的单类支持向量机。

5.根据权利要求1‑4任一所述的方法，其特征在于，在所述获得分类结果之后，还包括：判断所述分类结果是否为所述视频流中的人体存在异常行为；

若是，则生成并输出预警信号。

6.一种异常行为识别装置，其特征在于，包括：

人体关键提取模块，用于获得针对人体采集的视频流，并从所述视频流中提取出一系列连续的人体关键点，所述人体关键点表征人体的骨骼和关节，所述系列连续的人体关键点包含人体的骨骼和关节的频率信息；

降维特征获得模块，用于对所述系列连续的人体关键点进行降维处理，获得降维后的特征值，所述特征值表征人体的动态特征；

分类结果获得模块，用于使用训练后的单类支持向量机对所述降维后的特征值进行分类，获得分类结果，所述分类结果表征所述视频流中的人体是否存在异常行为；

其中，所述对所述系列连续的人体关键点进行降维处理，包括：使用动态模型分解算法从所述系列连续的人体关键点中采样得到所述人体关键点的矩阵；若所述人体关键点的矩阵维度大于预设维度，则使用奇异值分解对所述人体关键点进行降维处理，从而提取出频率信息，所述降维后的特征值包括所述频率信息。

7.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行如权利要求1至5任一所述的方法。

8.一种存储介质，其特征在于，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至5任一所述的方法。