1.一种动作理解方法，其特征在于，包括：
获取待识别的目标图像，其中，所述目标图像中包括目标用户的肢体动作图像；
提取所述目标图像中所述肢体动作图像中的关键点信息；
将所述关键点信息输入至预设的动作分析模型中，其中，所述动作分析模型为预先训练至收敛状态，用于对人体的肢体动作进行图像分析的长短期记忆神经网络模型；
读取所述动作分析模型中输出的分类结果，其中，所述分类结果中包括所述肢体动作图像的理解信息。
2.根据权利要求1所述的动作理解方法，其特征在于，所述提取所述目标图像中所述肢体动作图像中的关键点信息包括：
将所述目标图像输入至预设的图像提取模型中，其中，所述图像提取模型为预先训练至收敛状态，用于提取图像中关键点信息的神经网络模型；
读取所述图像提取模型中输出的特征信息，其中，所述特征信息中包括所述肢体动作图像的关键点信息。
3.根据权利要求1所述的动作理解方法，其特征在于，所述读取所述动作分析模型中输出的分类结果之后，包括：
将所述分类结果反馈输入至所述动作分析模型的输入接口，以使所述动作分析模型将所述分类结果传递至下一个动作理解的理解节点中，使动作理解在时序上具有连贯性。
4.根据权利要求3所述的动作理解方法，其特征在于，所述分类结果为所述人体在未来时序中的肢体动作的预测结果，所述将所述分类结果反馈输入至所述动作分析模型的输入接口之后，包括：
获取预设的动作映射列表，其中，所述动作映射列表中记载动作行为与危险性数值之间的映射关系；
以所述分类结果为检索条件在所述动作映射列表查找与所述动作行为具有映射关系的危险性数值；
根据所述危险性数值识别所述目标用户在未来时序中的动作是否具有危险性，当所述目标用户在未来时序中的动作具有危险性时，执行预设的警示指令。
5.根据权利要求1-4任意一项所述的动作理解方法，其特征在于，所述动作分析模型的训练方法包括；
获取标记有分类参照信息的训练样本数据，其中，所述训练样本数据包括若干人体关键点图像；
将所述训练样本数据输入初始化的长短期记忆神经网络模型中，以获取所述训练样本数据的分类判断信息；
比对所述训练样本数据内同一人体关键点图像中所述分类参照信息与所述分类判断信息是否一致；
当所述分类参照信息与所述分类判断信息不一致时，反复循环迭代的更新所述长短期记忆神经网络模型中的权重，至所述分类参照信息与所述分类判断信息一致时结束。
6.根据权利要求5所述的动作理解方法，其特征在于，所述若干人体关键点图像在时序上具有连贯性，所述分类判断信息为各个人体关键点图像的标定信息，且所述各个人体关键点图像的标定信息为下一个时序节点处人体关键点图像表征的肢体动作信息。
7.根据权利要求5所述的动作理解方法，其特征在于，所述当所述分类参照信息与所述分类判断信息不一致时，反复循环迭代的更新所述长短期记忆神经网络模型中的权重，至所述分类参照信息与所述分类判断信息一致时结束之后，包括：
统计所述长短期记忆神经网络模型输出的分类判断信息的准确率；
将所述准确率与设定的第一阈值进行比对；
当所述准确率大于所述第一阈值进时，所述长短期记忆神经网络模型训练至收敛状态。
8.一种动作理解装置，其特征在于，包括：
获取模块，用于获取待识别的目标图像，其中，所述目标图像中包括目标用户的肢体动作图像；
提取模块，用于提取所述目标图像中所述肢体动作图像中的关键点信息；
处理模块，用于将所述关键点信息输入至预设的动作分析模型中，其中，所述动作分析模型为预先训练至收敛状态，用于对人体的肢体动作进行图像分析的长短期记忆神经网络模型；
执行模块，用于读取所述动作分析模型中输出的分类结果，其中，所述分类结果中包括所述肢体动作图像的理解信息。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述动作理解方法的步骤。
10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述动作理解方法的步骤。