1.一种基于GAM跟踪器的社区行人异常行为检测方法，其特征在于，所述社区行人异常行为检测方法包括：将待处理的视频图像数据帧输入预先训练好的YOLOX网络，获取高分辨率特征图，并采用目标检测器进行行人检测；

基于YOLOX网络上增加的用于提取目标差异化特征的平行的输出端及其无锚方法，在GAM跟踪器中以所述增加的输出端为输入进行融合分析，用来估算待检测结果和跟踪目标之间匹配度热图，进而进行跟踪目标和检测结果之间的关联匹配；

基于目标特征提取结果，根据预设时间段内检测到的目标坐标变化速度，采用正态分布和阈值法，判断待检测目标是否发生奔跑；和/或，基于目标特征提取结果，根据待检测目标的检测结果计算行人高度和宽度的比值，并根据计算的长宽比值判断待检测目标是否发生跌倒；和/或，基于目标特征提取结果，根据待检测目标在视频区域内移动的距离和往复次数与预先设置的徘徊距离阈值之间的关系，采用向量法结合阈值法判断待检测目标是否存在异常徘徊；

若待处理的视频图像数据帧中存在待检测目标奔跑、跌倒或异常徘徊中的至少一种，则将所述待处理的视频图像数据帧标记为存在社区行人异常行为数据帧；

所述将待处理的视频图像数据帧输入预先训练好的YOLOX网络，获取高分辨率特征图，并采用目标检测器进行行人检测，具体包括：将从YOLOX网络中输出的差异化特征输入至GAM跟踪器，将所述GAM跟踪器检测到的目标的图像采集区域扩大至所述图的候选者的宽高度的至少两倍，并根据所述检测到的目标的图像采集区域的中心位置进行定位；

将图像采集区域中的图像调整为标准尺寸[Hs，Ws]后，进行归一化提取；

基于稀疏性选择策略确定候选者，提取与所述图像采集区域中的图像和所述候选者向对应的特征参数，其中，所述候选者宽度和高度分别是所述标准尺寸的1/2；

将所述候选者中的至少一个输入至图注意力模型，估计所述目标和候选者之间的相关性；

将所有所述候选者的图注意力模型进行融合与合并，通过所述GAM跟踪器输出目标检测结果；

所述基于YOLOX网络上增加的用于提取目标差异化特征的平行的输出端及其无锚方法，在GAM跟踪器中以所述增加的输出端为输入进行融合分析，用来估算待检测结果和跟踪目标之间匹配度热图，进而进行跟踪目标和检测结果之间的关联匹配，具体包括：对所述YOLOX网络的特征经过3×3卷积运算后估算图注意力模型，并通过1×1卷积层生成特征图；

对所述特征图经过3×3卷积运算，估算目标边框尺寸，并通过1×1卷积层生成目标类别结果；

对所述特征图经过3×3卷积运算，获取目标中心偏移，并通过不同的1×1卷积层生成目标边框尺寸和目标中心偏移量；

对所述特征图经过3×3卷积运算，估算目标边框尺寸，并通过1×1卷积层生成个体差异化特征；

所述对所述YOLOX网络的特征经过3×3卷积运算后估算图注意力模型，并通过1×1卷积层生成特征图，具体包括：根据图注意力得分执行非极大值抑制(NMS)，以提取峰值关键点，保留图注意力得分大于阈值的关键点的坐标；

根据所述目标分类、中心偏移量和所述目标边框尺寸生成边界框，以及个体差异化特征，并在估计的目标中心提取身份嵌入；

在基于YOLOX网络上增加的用于提取目标差异化特征的平行的输出端及其无锚方法，在GAM跟踪器中以所述增加的输出端为输入进行融合分析，用来估算待检测结果和跟踪目标之间匹配度热图，进而进行跟踪目标和检测结果之间的关联匹配，判断待检测目标是否发生奔跑之前，所述方法还包括：基于所述目标的部位坐标为[ht，wt]确定所述边框中对应身体重心的坐标为[hd，wd]，以及确定候选者中对应身体重心坐标为[hc，wc]，其中，所述目标和所述边框之间对所述身体重心的定位距离始终大于所述目标和所述候选者之间对所述身体重心的定位距离的最小值；

所述基于目标的身体重心坐标为[ht，wt]，确定所述目标边框中对应身体重心的坐标为[hd，wd]，以及确定候选者中对应身体重心的坐标为[hc，wc]，具体包括：根据所述待处理的视频图像数据帧的第一帧中对所述边框的估计，初始化多个子轨迹；

在所述待处理的视频图像数据帧中第一帧以后的帧中，将检测到的边框与现有的跟踪片段相连接；

采用卡尔曼滤波函数预测所述目标在当前帧中的位置；检测到所述目标的坐标与预测位置距离大于预设值，则将相应的成本设置为无穷大。

2.根据权利要求1所述的社区行人异常行为检测方法，其特征在于，所述基于目标特征提取结果，根据预设时间段内检测到的目标坐标变化速度，采用正态分布和阈值法，判断待检测目标是否发生奔跑，具体包括：基于所述视频图像数据帧预测目标的位置，最小化所述图像采集区域；

针对所述视频图像建立坐标系，记录并保存当前检测到的所有目标的标识和坐标；

针对同一目标收集预设数量的坐标信息和速度，对所述速度分布建立高斯分布模型运算，并基于运算结果实时更新所述高斯模型；

将所述目标边框内图像进行图像分析以确定目标重心；

当所述目标重心偏离量大于预设阈值并保持第一预设时长时，确定所述目标为异常奔跑，则对所述目标边框进行标记。

3.根据权利要求1所述的社区行人异常行为检测方法，其特征在于，所述基于目标特征提取结果，根据待检测目标的检测结果计算高度和宽度的比值，并根据计算的长宽比值判断待检测目标是否发生跌倒，具体包括：间隔第一固定的帧数检测目标的边框回归尺寸的宽高信息，计算目标的宽高比值；

当第二预设时长内连续检测到宽高比值大于预设宽高阈值时，判定所述目标跌倒异常，则对所述目标边框进行标记。

4.根据权利要求1所述的社区行人异常行为检测方法，其特征在于，所述基于目标特征提取结果，根据待检测目标在视频区域内移动的距离和往复次数与预先设置的徘徊距离阈值之间的关系，采用向量法结合阈值法判断待检测目标是否存在异常徘徊，具体包括：间隔第二固定帧数记录所述目标的中心位置作为目标运动轨迹，建立所述目标的运动方向向量；

若第t时刻与第t‑1时刻的运动方向向量的夹角大于预设值，则确定为一次往复运动；

当所述往复次数达到预设阈值时，判定所述目标异常徘徊，则对所述目标边框进行标记。

5.一种基于GAM跟踪器的社区行人异常行为检测装置，其特征在于，包括计算机可读指令，当所述计算机可读指令在计算机上运行时，使得所述计算机执行如权利要求1至4中任一项所述的方法。