1.一种地铁行人异常行为检测方法，其特征在于，所述地铁行人异常行为检测方法包括：对获取到的原始地铁行人图像进行预处理，获得处理后的地铁行人图像；

基于改进的YOLOv8模型对所述处理后的地铁行人图像进行地铁行人异常行为检测，获得行为检测结果，所述改进的YOLOv8模型包括预设主干网络和预设颈部网络，所述预设主干网络包括可变形卷积模块，所述预设颈部网络包括ShuffleAttention注意力机制、BiFPN网络结构和C2f_DCN模块；所述改进的YOLOv8模型还包括输入模块、检测头模块和输出模块，所述输入模块与所述预设主干网络连接，所述预设主干网络与所述预设颈部网络连接，所述预设颈部网络与所述检测头模块连接，所述检测头模块与所述输出模块连接；

根据所述行为检测结果确定地铁行人的异常行为；

所述基于改进的YOLOv8模型对所述处理后的地铁行人图像进行地铁行人异常行为检测，获得行为检测结果，包括：将所述处理后的地铁行人图像发送至所述输入模块进行预处理，获得待测图像；

通过所述预设主干网络对所述待测图像进行特征提取，获得初始特征图；

通过所述预设颈部网络中的所述BiFPN网络结构对所述初始特征图进行快速归一化融合，获得初步融合特征；

通过所述预设颈部网络中的所述ShuffleAttention注意力机制在空间注意力维度和通道注意力维度对所述初步融合特征进行融合，获得注意力融合特征；

通过所述预设颈部网络中的所述C2f_DCN模块对所述注意力融合特征进行多层次特征融合，获得待测特征图；

通过所述检测头模块对所述待测特征图进行地铁行人异常行为检测，获得预测信息；

通过所述输出模块对所述预测信息进行转化，获得行为检测结果。

2.如权利要求1所述的地铁行人异常行为检测方法，其特征在于，所述可变形卷积模块中的预设C2f模块包括CSPDarknet53模块，所述CSPDarknet53模块包括预设CSP结构；

所述通过所述预设主干网络对所述待测图像进行特征提取，获得初始特征图，包括：

通过所述CSPDarknet53模块中的预设CSP结构对所述待测图像进行多尺度特征提取，获得初始特征图。

3.如权利要求1所述的地铁行人异常行为检测方法，其特征在于，所述通过所述预设颈部网络中的所述ShuffleAttention注意力机制在空间注意力维度和通道注意力维度对所述初步融合特征进行融合，获得注意力融合特征，包括：通过所述预设颈部网络中的所述ShuffleAttention注意力机制将所述初步融合特征在通道维度进行分组，获得多组子特征；

根据Shuffle Unit在空间维度和通道维度分别对所述多组子特征中每组子特征的依赖关系进行捕捉，获得特征捕捉后的多组子特征；

通过Channel Shuffle操作将所述特征捕捉后的多组子特征进行特征融合，获得注意力融合特征。

4.如权利要求1所述的地铁行人异常行为检测方法，其特征在于，所述对获取到的原始地铁行人图像进行预处理，获得处理后的地铁行人图像之前，还包括：获取包含行人遮挡和模糊的CrowdHuman数据集、包含行人摔倒异常行为的Fall数据集和包含行人吸烟异常行为的smoke数据集；

将所述CrowdHuman数据集、所述Fall数据集和所述smoke数据集划分为训练集、测试集和验证集；

根据所述训练集、所述测试集和所述验证集对待训练的改进后的YOLOv8模型进行迭代训练，获得改进的YOLOv8模型。

5.如权利要求4所述的地铁行人异常行为检测方法，其特征在于，所述根据所述训练集、所述测试集和所述验证集对待训练的改进后的YOLOv8模型进行迭代训练，获得改进的YOLOv8模型，包括：根据所述训练集对待训练的改进后的YOLOv8模型进行迭代训练，获得多个训练后的YOLOv8模型；

根据mAP评价指标、所述测试集和所述验证集对多个所述训练后的YOLOv8模型进行性能验证，获得mAP值，所述mAP评价指标包括mAP50、mAP50-95、精确率和召回率；

选取最大的mAP值对应的所述训练后的YOLOv8模型，获得改进的YOLOv8模型。

6.一种地铁行人异常行为检测装置，其特征在于，所述地铁行人异常行为检测装置包括：图像处理模块，用于对获取到的原始地铁行人图像进行预处理，获得处理后的地铁行人图像；

行为检测模块，用于基于改进的YOLOv8模型对所述处理后的地铁行人图像进行地铁行人异常行为检测，获得行为检测结果，所述改进的YOLOv8模型包括预设主干网络和预设颈部网络，所述预设主干网络包括可变形卷积模块，所述预设颈部网络包括ShuffleAttention注意力机制、BiFPN网络结构和C2f_DCN模块；所述改进的YOLOv8模型还包括输入模块、检测头模块和输出模块，所述输入模块与所述预设主干网络连接，所述预设主干网络与所述预设颈部网络连接，所述预设颈部网络与所述检测头模块连接，所述检测头模块与所述输出模块连接；

异常确定模块，用于根据所述行为检测结果确定地铁行人的异常行为；

所述行为检测模块，还用于将所述处理后的地铁行人图像发送至所述输入模块进行预处理，获得待测图像；通过所述预设主干网络对所述待测图像进行特征提取，获得初始特征图；通过所述预设颈部网络中的所述BiFPN网络结构对所述初始特征图进行快速归一化融合，获得初步融合特征；通过所述预设颈部网络中的所述ShuffleAttention注意力机制在空间注意力维度和通道注意力维度对所述初步融合特征进行融合，获得注意力融合特征；通过所述预设颈部网络中的所述C2f_DCN模块对所述注意力融合特征进行多层次特征融合，获得待测特征图；通过所述检测头模块对所述待测特征图进行地铁行人异常行为检测，获得预测信息；通过所述输出模块对所述预测信息进行转化，获得行为检测结果。

7.一种地铁行人异常行为检测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的地铁行人异常行为检测程序，所述地铁行人异常行为检测程序配置为实现如权利要求1至5中任一项所述的地铁行人异常行为检测方法的步骤。

8.一种存储介质，其特征在于，所述存储介质上存储有地铁行人异常行为检测程序，所述地铁行人异常行为检测程序被处理器执行时实现如权利要求1至5任一项所述的地铁行人异常行为检测方法的步骤。