1.一种人群场景中全局和局部异常行为检测方法，其特征在于，具体包含以下步骤：步骤1，输入待检测人群场景图像；

步骤2，提取待检测人群场景图像的混合光流直方图；

步骤3，对步骤2特征提取的混合光流直方图进行全局异常行为检测，具体如下：步骤3.1，通过两个稀疏表示过程分别判断特征提取后的图像是否异常；

步骤3.2，用模糊积分对两个稀疏表示过程的判断进行处理，进而得出结果；

步骤4，对步骤2特征提取的混合光流直方图进行局部异常行为检测，具体如下：步骤4.1，提取输入图像中感兴趣区域的前景；

步骤4.2，通过在线加权聚类对感兴趣区域进行局部异常检测；

步骤4.3，采用多目标跟踪的方法滤除噪声；

步骤5，通过步骤3和步骤4完成多人群场景中全局和局部异常行为检测。

2.根据权利要求1所述的一种人群场景中全局和局部异常行为检测方法，其特征在于，在步骤2中，混合光流直方图HG具体表示如下：HG＝(μ,δ)

其中， μ表示光流的期望，δ表示在相同方向的方差，r表示时空容器中有r个持续帧，Hi表示第i个光流直方图。

3.根据权利要求1所述的一种人群场景中全局和局部异常行为检测方法，其特征在于，在步骤3.1中，所述两个稀疏表示过程均包含一个动态词典更新的过程，其中，动态词典更新过程的表达式如下：其中，在词典Φ中所有元素的SRC表示为SRCdic＝[SRC1dic,SRC2dic,...,SRCNdic]T，下一个样本的SRC可表示为SRCy，m*是词典的样本索引，其到达下一个样本y的距离最小，ωm*是新的将取代词典Φ中第m*个样本，bm*是旧词典中第m*个样本。

4.根据权利要求1所述的一种人群场景中全局和局部异常行为检测方法，其特征在于，两个稀疏表示过程的稀疏表示的公式如下：其中，SRC为稀疏重构代价，x表示特征权重的系数，y为特征乘以权重系数后的表达式，λ为参数，Φ为词典，║║2为欧式距离，║x║1为L1范数。

5.根据权利要求1所述人群场景中全局和局部异常行为检测方法，其特征在于，所述步骤4.1具体包含如下步骤：步骤4.11，通过高斯混合模型方法对输入图像进行背景建模，把感兴趣的前景提取出来；

步骤4.12，通过滑动窗口扫描检测当前帧的前景和感兴趣区域ri，再提取区域中的混合光流直方图特征，且ri＝{di,li}，其中，di和li分别对应混合光流直方图特征和空间位置。

6.根据权利要求1所述人群场景中全局和局部异常行为检测方法，其特征在于，所述步骤4.2具体包含如下步骤：步骤4.21，将一帧图像的空间位置分为2L-1×2L-1个网格，其中，L是间隔尺寸级；

步骤4.22，在每个网格中我们通过OWC算法对一定时间内的运动特征进行建模：其中，网格中的聚类更新具体如下：

ωk←ωk+α(ok-ωk)

Ck←Ck+ok(α/ωk)(di-Ck)

其中， 为权重，Ck是一个网格中k聚类的质心，α是学习率，且0<α<1，若从di到Ck的欧式距离小于阈值θ，则把ok设为1，否则把ok设为0；

步骤4.23，将属于正常聚类的HOHFs认为具有较大的权重，将属于异常聚类的HOHFs认为具有较小的权重，将聚类由ωk降序排序，则定义第一个聚类B为正常，即其中，δ是决定聚类中最小能定位正常HOHFs的阈值；如果di能够匹配第一个聚类B中的一个，则它被检测为正常，否则为异常。

7.根据权利要求1所述人群场景中全局和局部异常行为检测方法，其特征在于，所述步骤4.3多目标跟踪如下：步骤4.31，在时刻t时，获得一组轨迹：T＝{t1,...,tm}，其中ti＝{xi,t-1,Pi,t-1,A,H,Q,R}；m为所获得的轨迹总数，xi,t-1和Pi,t-1为t-1时刻的估计状态和估计状态协方差，A是状态转移矩阵，H是测量矩阵，Q是过程噪声协方差，R是测量噪声协方差；

步骤4.32，通过连通分量标记算法从检测到的异常ROIs的前景像素中提取一系列新的块，其中块的质心定义为Z＝{z1,t,...,zn,t}；

步骤4.33，对一个已存在的轨迹ti，使用t-1时刻的估计状态xi,t-1和估计状态协方差Pi,t-1来预测它的新状态^xi,t和状态协方差^Pi,t；具体计算如下：其中，A状态转移矩阵，Q是过程噪声协方差；

步骤4.34，通过门控计算将关联现有轨迹ti和zj,t来起到多目标跟踪的效果。