1.一种基于机器学习的视频异常检测方法，其特征在于：所述异常检测方法包括以下步骤：

1)视频读入：将视频文件以一帧一帧的bmp图像数据读入；

2)视频异常检测：对分解出的图像进行检测，过程如下：

a)画面过亮、画面过暗检测过程：首先对图像进行灰度化处理，得到灰度图，f(x,y)表示灰度图中(x,y)点上的像素值，设立亮度阀值light，暗度阀值dark，当f(x,y)＞light时，该点记为过亮点，当f(x,y)＜dark时，该点记为过暗点，统计视频镜头区域的过亮点、过暗点个数NUMlight、NUMdark设立阀值Tα和Tβ，如果NUMlight＞Tα，则当前帧为过亮帧；如果NUMdark＞Tβ，则当前帧为过暗帧；

b)增益紊乱的检测过程：图像颜色紊乱，采用YUV颜色空间进行判断，Y代表灰度，U分量和V分量决定了颜色本身偏蓝或偏红的色度；YUV颜色空间的基本原理是建立二维坐标，以U为横坐标，V为纵坐标，将颜色分为4个色区，设立阀值TD，如果d＞TD，则(U,V)为颜色深点；对图像进行2*2分区，当总的颜色深点的点数大于图像面积的1/2，且每个色区、图像分区的颜色深点存在及个数均匀时，则当前帧为增益紊乱帧，距离 越大颜色越深；

c)模糊、被遮挡检测过程：对f(x,y)与Sobel算子进行卷积求取图像x和y方向的梯度图fx(x,y)和fy(x,y)，然后求得f(x,y)的梯度，设阀值Tγ，如果|f(x,y)|＞Tγ，则记为边缘点；

对图像进行分区，设立阀值TA，如果每个分区的边缘点个数都小于TA，且图像的平均灰度F满足Tβ＜F＜Tα，则判断为模糊帧；如果部分区域的边缘点个数小于TA，且该部分平均灰度F满足F＜Tβ，其他区域边缘点个数大于TA，则判断为被遮挡帧；

d)条带状干扰、滚屏的检测过程：同步骤c)求得图像的梯度|f(x,y)|，根据阀值对图像像素点进行标记，分别为边缘点和非边缘点；统计每一行的边缘点个数Ni及每一列的边缘点个数Mj，i＝1,2,…,H，j＝1,2,…,W，其中H代表图像高，W是图像宽；当至少有一行Ni＞

0.6*W时，则判断为条状干扰帧；当至少有一列Mj＞0.6*H时，则判断为带状干扰帧；当存在Ni＞0.9*W或者Mj＞0.9*H，记录最大值的位置max i或max j，每隔3帧对图像线条位置max i或max j进行一次比较，设立滚屏滚动阀值TN和TM，当|max i-max i'|＞TN或|max j-max j'|＞TM，则判断为滚屏帧，其中max i'与max i对应帧相隔3帧；

e)雪花干扰的检测过程：先对图像灰度化处理，设立像素差阀值Tη，如果帧间像素差分绝对值|fk(x,y)-fk+1(x,y)|＞Tη，则记为雪花噪点，当噪点数大于图像面积的1/5时，可能存在雪花噪声，将图像分为16*16的小块，当每块都存在噪声时，则判断为雪花帧；

f)抖动的检测过程：先求得图像的梯度图，如果所求得的||fk(x,y)|-|fk+2(x,y)||＞Tκ，则将(x,y)记为图像晃动轮廓点，统计当前图像的晃动轮廓点数n2以及图像中的边缘点数n1，如果|n2-n1|大于图像面积的1/10，则判断为抖动帧；

g)偏色的检测过程如下：RGB颜色结构不利于偏色的判断，会在一些特殊场景中误判，比如图像中绿色树叶占大比例，很容易把正常图像判断为偏绿，将RGB颜色空间转化到Lab空间进行检测，Lab色彩模型由三个要素组成，L表示亮度，a表示从洋红色至绿色的范围，b表示从黄色至蓝色的范围，先将图像RGB转换为Lab空间，求出图像平均色度D，图像色度中心距M，偏色因子K＝D/M，根据偏色标准进行判断；

h)冻结检测过程如下：当连续一定数量帧的像素一模一样时，fk(x,y)＝fk+1(x,y)，判断为冻结；

3)机器学习：将判断为异常的视频，根据异常代码与数据库中存在的同类型误判的视频进行相似度比较，判断当前视频是否属于误判情况。

2.如权利要求1所述的一种基于机器学习的视频异常检测方法，其特征在于：所述异常检测方法还包括以下步骤：

算法优化，通过设定相互冲突的异常类型，对于相互冲突的异常类型不需要重复检测。

3.如权利要求1或2所述的一种基于机器学习的视频异常检测方法，其特征在于：步骤

3)中，相似度比较过程：提取的视频特征有颜色和纹理两类，引入视频镜头特征向量，向量的前32维为根据HSV颜色直方图统计得到的颜色信息分量，后三维为粗糙度、对比度、方向性三个分量，比较两视频镜头质心向量之间的距离计算视频之间的相似度。