1.一种基于视频监控中的异常行为检测方法，其特征在于，包括以下步骤：步骤SS01：将视频监控获取的视频数据集划分为训练集和测试集，并记录测试集中有异常行为的视频帧图像序列，作为真实标签；

步骤SS02：通过YOLOv3目标检测算法检测出前景目标ti；

步骤SS03：将检测出来的前景目标ti送入到卷积自编码器网络中，对前景目标ti提取特征，并最小化重构误差优化模型参数；

步骤S031：将提取到的前景目标大小统一调整为128*128；

步骤S032：获得第t帧、第t‑4帧、第t+4帧中的前景目标，并将提取到的前景目标对象灰度化，然后分别计算第t‑4帧、第t+4帧与第t帧之间的梯度变化，梯度变化计算公式为：其中，第t帧表示当前帧图像、第t‑4帧表示前四帧图像、第t+4帧表示后四帧图像，gradf(x，y表示在(x，y)处的梯度， 表示在x轴方向上的偏导数，表示在y轴方向上的偏导数，|gradf(x，y)|表示梯度的模；

步骤S033：分别将梯度变化信息送入到各自的卷积自编码器网络中、将第t帧的前景目标单独送入另外一个卷积自编码器网络中进行重构，并分别计算其重构误差，再最小化重构误差L进行迭代训练，训练出良好的卷积自编码器网络，重构误差L的计算公式为：其中，N表示样本数量，Xi表示输入样本， 表示重构后的样本；

步骤S034：再次分别将梯度信息送入到训练好的卷积自编码器网络的编码器部分、将第t帧的前景目标单独送入另外一个训练好的卷积自编码器网络的编码器中提取潜在特征，最后对三个潜在特征聚合，作为视频数据样本第t帧的特征向量；

步骤SS04：通过获取的特征向量进行聚类再进行分类，最终获得对视频帧的预测；

步骤S041：通过获取的特征向量进行高斯混合模型的最大期望聚类；

步骤S0411：选择簇的数量为K个，并随机初始化每个簇的高斯分布参数，高斯分布参数为均值和方差；

步骤S0412：给定每个簇的高斯分布，计算每个数据点属于每个簇的概率；

步骤S0413：基于每个数据点对应的概率，计算高斯分布参数；

步骤S0414：迭代步骤S0412和步骤S0413，直至高斯分布参数收敛，获得K个聚类；

步骤S042：对K个聚类进行SVM分类器训练，产生K个one‑versus‑rest的二分类器；

步骤SS05：将测试集数据输入到训练好的卷积自编码器网络中提取特征，并将特征输入到SVM分类器中获得异常得分，该帧异常得分为：其中gi(x)表示该帧上的第i个前景目标的异常得分，k表示该帧图像中目标对象的数量，s(x)表示该帧的最终异常得分；

步骤SS06：将测试集数据每帧的异常得分归一化，得分在【0，1】之间，得分越高，表示越有可能发生异常事件，并通过可视化查看检测结果。

2.根据权利要求1所述的一种基于视频监控中的异常行为检测方法，其特征在于，所述卷积自编码器网络包括编码器和解码器，所述编码器由卷积层、池化层和BN层构成。

3.根据权利要求2所述的一种基于视频监控中的异常行为检测方法，其特征在于，所述解码器通过最近邻插值法进行上采样，再通过卷积进行重构误差。

4.根据权利要求1所述的一种基于视频监控中的异常行为检测方法，其特征在于，所述步骤SS01中，真实标签的获取方法为：步骤S011：根据对研究对象的判断，训练集中只包含数据集中正常行为的数据，测试集包含异常行为数据；

步骤S012：将训练集和测试集中的每个视频数据样本处理成帧图片的形式；

步骤S013：通过MATLAB文件记录测试集中每个视频数据样本中发生异常行为时的帧序列，作为测试集的真实标签。

5.根据权利要求1所述的一种基于视频监控中的异常行为检测方法，其特征在于，所述步骤SS02中，通过YOLOv3目标检测算法检测出前景目标的方法为：步骤S021：通过YOLOv3目标检测算法逐帧检测出前景目标样本T＝{t1，t2，…，ti}，并获取前景目标ti的左上角的坐标位置(x1，y1)、右下角的坐标位置(x2，y2)、类别和置信度得分信息；

其中：ti表示每一帧图片中获取到的第i个前景目标。

6.根据权利要求1所述的一种基于视频监控中的异常行为检测方法，其特征在于，所述步骤SS05中，异常得分的获取方法为：步骤S051：通过YOLOv3目标检测算法逐帧检测出前景目标样本T＝{t1，t2，…，ti}，并获取前景目标ti的左上角的坐标位置(x1，y1)、右下角的坐标位置(x2，y2)、类别和置信度得分信息，其中：ti表示每一帧图片中获取到的第i个前景目标；

步骤S052：将前景目标样本送入到训练好的卷积自编码器网络中提取特征；

步骤S053：将特征输入到训练好的SVM分类器中，取得分最高的作为该目标对象的异常得分。