1.一种基于子空间分类的小样本行为识别方法，其特征在于，包括：
2.根据权利要求1所述的基于子空间分类的小样本行为识别方法，其特征在于，训练所述小样本行为识别模型时，采用数据集为一个包含多个行为类别的多个视频组成，将数据集中每一类的每个视频样本分为一组图像帧rgb frames，并统计每组图像帧的帧数n_frames；对于分帧后的数据集中的每张图像，首先将其进行大小调整，然后随机裁剪；深度估计网络中，用monodepth2 module作为深度估计器，对处理后的数据集图像进行深度估计，得到深度图像。
3.根据权利要求2所述的基于子空间分类的小样本行为识别方法，其特征在于，特征提取网络中，使用特征提取器imagenetpretrained resnet-50提取rgb图像特征和深度图像特征；其中，首先训练用于提取rgb图像特征的rgb子模型和用于提取深度图像特征的深度子模型，rgb子模型和深度子模型的特征提取网络以resnet-50为主干网络，并将resnet-50中的最后一个完全连接层替换为各自的全连接层作为分类器，特征信息提取层为由卷积神经网络生成的特征编码器，从输入层的图像中提取信息处理层所需的图像特征，以得到rgb特征图和深度特征图。
4.根据权利要求3所述的基于子空间分类的小样本行为识别方法，其特征在于，在特征融合网络中，得到的rgb特征向量和深度特征向量通过dgadain fusion module做特征融合，得到融合特征向量。
5.根据权利要求4所述的基于子空间分类的小样本行为识别方法，其特征在于，dgadain fusion module获取的数据为提取的rgb特征向量和深度特征向量，处理后得到融合后的特征向量；模块输入的批处理表示为x∈rb×d×l，其中b为批次大小，d为单个视频样本分成的一组图片帧的帧数，l为每一帧的特征维数；
6.根据权利要求4所述的基于子空间分类的小样本行为识别方法，其特征在于，在识别网络中，将得到的支持集融合特征送入子空间分类器中，求支持集中每一类中所有样本的特征均值；在子空间分类器中，用支持集样本特征减去所属类的特征均值，对支持集每一类样本得到一个新的样本表示集合；在子空间分类器中，对新的样本表示集合进行奇异值分解，得到得到子空间投影矩阵；将查询集样本特征送入子空间分类器，求查询样本特征到每个类别子空间的距离；利用softmax函数计算查询样本属于各个行为类别的概率；采用grassmann流形以最大化不同子空间之间的距离。
7.一种基于子空间分类的小样本行为识别系统，其特征在于，包括：
8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求1-6任一项所述的基于子空间分类的小样本行为识别方法。
9.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如权利要求1-6任一项所述的基于子空间分类的小样本行为识别方法。
10.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如权利要求1-6任一项所述的基于子空间分类的小样本行为识别方法的指令。