1.基于递归神经网络建模的无监督人群异常监测及定位方法，其特征在于，包括以下步骤，(1)数据采集：针对同一监控设备，采集两种数据，一种是人群场景正常情况下提取的数据，作为训练集数据，用于模型训练；另一种是可能包含异常情况所提取的数据，作为测试集数据，用于模型测试；

(2)网格划分：从同一监控设备下的训练集数据和测试集数据的视频序列中获取具有同一背景的视频图像，对于固定且静态的不可达区域，做截断处理，然后对剩余场景进行网格划分，划分成K个N*M的网格；

(3)光流特征提取：采取稠密光流法，从步骤(2)中划分好的网格内获取每个像素点的三层光流统计特征；

(4)特征选择：选取局部k网格的光流统计特征及其四周网格特定方向的光流统计特征，用以监测k网格t+1时刻的光流统计特征，其中光流统计特征即为人群动态序列特征；

(5)模型训练：对训练集数据每个网格利用递归神经网络进行建模，将k网格t时刻的光流统计特征及四周网格特定方向的光流统计特征作为输入，k网格t+1时刻的光流统计特征作为输出，利用Hessian-Free Optimization方法进行训练；

(6)异常监测及定位：对测试集数据中的K个网格进行异常监测和定位，将测试集数据中k网格t时刻的光流统计特征及四周网格特定方向的光流统计特征数据输入模型，预测出k网格t+1时刻的光流统计特征，然后计算k网格t+1时刻与t时刻之间光流统计直方图的距离来判定t+1时刻是否异常,当t+1时刻整个场景中的所有网格中有出现异常时，则判定t+1时刻为异常，并进行异常定位，异常定位步骤为：载入测试集数据k网络t时刻的人群动态序列特征

及四周网格特定方向的光流统计特征 来预测出t+

1时刻人群动态序列特征 计算前后时刻对应网格光流统计特征的欧

式距离 最后在全局场景所获得的欧式距离范围(dmin,dmax)中设定多个阈值，通过计算F-measure的最大值来寻找最佳阈值δ，若 则判定为1，表示异常，进行异常定位，否则为0，表示正常；其中 表示第k个网格在t时刻的实际光流统计特征，表示模型预测第k个网格在t+1时刻的光流统计特征， 表示选取k网格四周8个网格对应的8个不同方向取得的光流统计特征。

2.如权利要求1所述的基于递归神经网络建模的无监督人群异常监测及定位方法，其特征在于：步骤(3)中采取稠密光流法提取每一帧各像素的光流I(vx,vy)，并从划分好的网格中分8个方向提取3层的光流直方图特征h(x,y)。

3.如权利要求1所述的基于递归神经网络建模的无监督人群异常监测及定位方法，其特征在于：步骤(5)中模型训练分为三个步骤：S1.对进行网格划分后的场景中的每个网格单独建模，建立K个RNN模型， 作为第k个网格模型的72个输入神经元，隐含层单元设置为144个神经元，输出为k网格t+1时刻的人群动态序列特征，用24个神经元表示，每个人群动态序列的长度为40个时刻；

S2.采用无监督方式学习正常情况下t时刻人群动态序列特征 与t+

1时刻人群动态序列特征 之间的关系，采用正常训练集数据的光流统

计特征数据作为训练数据， 直接作为 的输出，进行训练；

S3.采用Hessian-Free Optimization方法进行训练。