1.一种基于稀疏编码的多视角视频异常检测方法，其特征在于：包括以下步骤：S1)、给定一个视频异常检测数据集X，其中包含了该视频的帧图像，提取帧图像中的局部时空特征的梯度直方图、轨迹的光流直方图和运动边界直方图，把这些不同的特征信息看作是不同视角下的数据信息，并且定义在第t帧下第v个视角下的正常事件为xt，v，ωt，v为在第t帧下第v个视角下的正常事件的表示矩阵，用字典A线性重构xt，v，则有：xt，v＝Aωt，v+2

∈t，v，其中∈t，v～N(0，σI)为重构误差；

S2)、用多视角稀疏编码方法学习到在t帧时刻下的一致性特征表示矩阵 公式如下：s.t.||A(：，i)||≤1，ωt，v＝αt，v其中，γ1和γ3为正则化参数，用于控制稀疏性和惩罚项在优化问题中的权重，视频帧总数T＝200，总视角数V＝2，v＝1为HOG特征视角，v＝2为HOF特征视角；

S3)、获得最终目标函数：考虑到视频数据中正常事件和异常事件在相邻两帧之间的时间相关性，给相邻两帧之间的一致性特征表示矩阵赋予相应的权重值St，t‑1，并且用Frobenius范式对它们进行正则化约束，则最终的多视角视频异常检测算法的公式为：s.t.||A(：，i)||≤1，ωt，v＝αt，v2

其中， δ＝100，γ2为正则化参数；

S4)、用ADMM算法对目标函数进行优化求解，并用训练数据集对模型进行训练，最终得到字典A：用ADMM方法对S3)中的公式优化求解，然后在全部都是正常事件的视频数据集中训练算法模型，最后得到字典A；

S5)、用测试数据集进行测试，计算出全部帧的重构误差l(t)，并且对l(t)进行标准化，使其范围为[0,1]：在有异常事件的视频数据集中测试算法模型，计算出重构误差：其中，l(t)为第t帧下的重构误差；

在计算完所有测试视频全部帧的重构误差后，对误差进行标准化，使其范围为[0,1]，计算每帧的标准化误差的公式为：

其中，在t帧下，s(t)越小越可能是一个异常事件；

S6)、最终判断结果：设定l(t)阈值，当帧图像的重构误差低于阈值时，则为异常事件，最后标记出有异常事件的帧图像。