1.面向监控场景的在线低秩异常视频事件检测方法，其特征在于对给定场景下的监控视频集合，进行如下操作：

1)将监控视频分为训练视频和测试视频两部分，其中训练视频由选定的正常视频组成，并对各视频帧提取低层视觉特征，形成相应的向量化表示；

2)通过在线稀疏低秩表示方法，对训练视频运用迭代梯度映射规则和随机优化准则进行逐帧学习，获得更新的权重矩阵和稀疏系数矩阵，构建异常视频事件检测模型；

3)对测试视频帧计算归一化重构误差，若误差大于设定阈值，则判断该帧存在异常事件，照此逐帧判断，直至视频结束；

所述的步骤1)中的对各视频帧提取低层视觉特征，形成相应的向量化表示，具体是：

1.1)对每个视频帧提取三种低层视觉特征，即尺度不变特征变换、局部二值模式和梯度直方图，刻画帧图像中的全局和局部结构，将提取的三种特征合并成m维的列向量

1.2)对n帧训练视频图像形成向量化表示矩阵 对s帧测试视频图像形成向量化表示矩阵 其中训练视频帧的表示矩阵X作为异常事件检测模型的字典；

所述的步骤2)中的通过在线稀疏低秩表示方法，对训练视频运用迭代梯度映射规则和随机优化准则进行逐帧学习，获得更新的权重矩阵和稀疏系数矩阵，构建异常视频事件检测模型，具体是：

2.1)将训练视频的表示矩阵X分解为两部分，即X＝XWV+E：前部分为由字典X与权重矩阵W构线性重构得到的p维基矩阵 与低维系数矩阵 的乘积矩阵，后部分为噪声矩阵 其中p＜＜min(m,n)，即基矩阵和系数矩阵的维度远小于m和n的最小值，每个m维训练帧x对应的p维系数向量表示为v，对应的m维噪声向量为e；

2.2)在线系数低秩表示方法是指对权重矩阵W添加Frobenius范数||·||F，对系数矩阵V同时添加Frobenius范数||·||F和l1范数||·||1使其具有稀疏特性，对噪声矩阵E添加l1范数，在上述范数的约束条件下最小化X与(XWV+E)之间的均方误差，其目标函数为其中，常数λ1>0，λ2>0；

2.3)对训练视频运用迭代梯度映射规则和随机优化准则进行逐帧学习，获得更新的权重矩阵W和稀疏系数矩阵V是指在t(t＝0,1,…,n)轮迭代的情形下，先初始化权重矩阵W0、稀疏系数矩阵V0、噪声矩阵E0为全0矩阵，并引入辅助矩阵 和 也初始化为全0矩阵，下标代表迭代轮数，其迭代的具体步骤如下：a)从训练视频帧集合中随机选一帧xt进行模型构建；

b)在第t轮迭代，固定权重矩阵和噪声向量，通过求解下式获得该轮迭代的系数向量vt，即其中符号||·||2表示向量的l2范数；

c)在第t轮迭代，固定权重矩阵和系数向量，通过求解下式获得该轮迭代的噪声向量et，即d)通过下式更新两个辅助矩阵，即

T

其中符号(·) 表示向量或矩阵的转置；

e)利用迭代梯度映射规则更新权重矩阵W，即对矩阵的列向量计算梯度，并通过映射得到每个列向量的新表示；

f)重复上述步骤，直到训练视频帧集合变为空集，并得到通过n次迭代更新的权重矩阵W和稀疏系数矩阵V；

2.4)构建异常视频事件检测模型是指对待检测的视频帧xtest进行步骤2.3)中的b)和c)操作后，得到对应的系数向量vtest和噪声向量etest，然后计算两个重构误差值fv和fe，即至此异常视频事件检测模型构建完成。

2.如权利要求1所述的面向监控场景的在线低秩异常视频事件检测方法，其特征在于：所述的步骤3)中的对测试视频帧计算归一化重构误差，若误差大于设定阈值，则判断该帧存在异常事件，照此逐帧判断，具体是：

3.1)对测试视频帧计算归一化重构误差 若重构误差err大于设定的正常数阈值Θ，则判断该视频帧存在异常事件；

3.2)对所有的测试视频帧依次逐帧重复步骤3.1),即可判断所有测试视频中的异常事件。