1.一种拥挤场景下视频异常事件检测方法，其特征在于包括如下步骤：步骤(1)特征提取，具体如下：

将视频中每一帧分割成互不重叠且大小为N×N的块，并连续取M帧，得到大小为N×N×M的立体块，因此M帧长的视频由若干个立体块组成，每个立体块称为原子；设视频帧的分辨率大小为W×H，每一帧得到块的数量 其中表示向下取整；t时刻loci位置块的运动信息用一个直方图表示

1≤loci≤f_block，loci是整数，其中hi，1≤i≤4，是loci位置块根据光流方向按90度间隔量化获得的4个方向上的光流幅值之和；当前时刻为t，结合t时刻的前(M-1)/2帧与后(M-1)/2帧的直方图信息，t时刻loci位置上的原子表示为M取奇数，1≤loci≤f_block；对于一段视频，以M帧为单位分成P小段，得到的原子数量为P×f_block，由这些原子构成该视频的原子集合；

步骤(2)特征学习，具体如下：

2-1.采用拉普拉斯特征映射方法把原子集合映射到低维空间中，再对其进行聚类；首先对原子集构建图G＝(V,E)，顶点集V表示各个原子，带权重的边E表示各个原子之间的相似度，图中第i个原子与第j个原子之间边的权重按式(1)计算，1≤i≤P×f_block，

1≤j≤P×f_block:

公式(1)右边第一项中 的数学表达式为：

余弦距离 其中表示求xi与xj的内积，定义

σr是尺度因子，其中xG是xr第G

个近邻点，近邻的距离度量采用欧氏距离，r＝i或j；

公式(1)右边第二项中， 表示第i个原子与第j个原子空间上的欧氏距离；σs为空间尺度因子；构建完图后，借助于图对原子进行谱聚类；在图论中，聚类的问题转变为图割的问题；其原则是子图内的边权重最大化和各子图间的边权重最小化；被切断的边权重之和最小，即使式(3)所示目标函数最小化；

其中wij由公式(1)给出；yi和yj分别是xi和xj映射到目标空间上的坐标向量，Y由向量yi组成，1≤i≤P×f_block；目标函数最小化的问题等价于求解最优的Y：T

Yopt＝argmin(YLY)s.t.Y DY＝1 (4)公式(4)中，拉普拉斯矩阵L＝D-W；D是对角阵，其对角线上元素值dii＝∑ jwij；W由wij构成；计算L相对于D的广义特征值和特征向量，选取l个最小非零特征值以及对应的特征向量；将求得的l个特征向量并成一个(P×f_block)×l的特征向量空间，其中每一行代表原子在l维空间的坐标；最后根据每个原子的l维空间坐标，采用Lihi Zelnik-Manor的自适应聚类方法在l维空间对原子进行聚类，聚类后得到Num0个类，每一类的类中心表示一类事件的局部特征，类中心按式(5)计算:Nk表示属于第k类事件的原子个数；类中心作为码字，位置loci上所有可能的码字组成码本；

2-2.在loci位置块上建立码本的过程如下：

(a)建立初始码本，将训练数据进行步骤2-1的特征学习得到Num类事件，Num＝Num0；

按式(6)计算wk,loci，如果wk,loci>0，则把第k类的类中心作为码字添加到位置loci上的码本中，同时保存第k类局部特征的训练数据，k＝{1,2,...........Num0}；

其中nk,loci表示位置loci上第k类事件发生的次数，1≤loci≤f_block；

(b)输入新的训练数据 将它与loci位置块上的码本比较，若满足特征距离相似度 时，th为设定的阈值；将 加入到一个新的集合U中，否则把 加入到位置loci上最相似类局部特征的训练数据中，然后重新计算这类局部特征的类中心，更新码本中码字,其中 是按式(7)计算的特征距离的相似度；

其中 表示在位置loci上的码本中第k个码字,1≤k≤Num；

(c)当集合U中的数据数量未达到Q时，返回步骤(b)；当集合U中的数据数量达到Q时，重新对集合U进行步骤2-1操作，聚类成Num1类，更新Num0为Num0＝Num1，如果wk,loci>0，则就把第k类事件类中心作为码字添加到位置loci上的码本中，同时保存第k类局部特征的训练数据，k＝{1,2,...........Num0}；清空集合U，类目总数Num更新为Num＝Num+Num1，判断所有输入的训练数据 是否训练完毕，若未完毕则返回步骤(b)；

步骤(3)视频异常事件检测，具体是：

将测试数据 与训练阶段建立的loci位置块的码本进行比较,1≤loci≤f_block，若满足 时，则初步认为 在loci位置块上有异常事件发生，否则没有发生；

步骤(4)时空后处理，具体是：

在t时刻，若loci位置块的初始被判有异常事件发生，则考虑loci位置块在t-1时刻的8-邻域，如果在邻域中至少有两个位置存在异常，则判loci位置块上有异常事件发生，否则没有异常事件发生。