1.一种加权卷积自编码长短期记忆网络(Weighted convolutional autoencoder-long short-term memory network,WCAE-LSTM)进行移动人群异常行为检测的方法，其特征在于：

1)：提出同时对原始数据及其对应光流信息进行行人特征编码，并根据双通道数据的编码重构结果进行异常检测的双通道框架。

2)：采用分块鲁棒主成分分析分解将运动前景与静止背景分离，设计加权欧几里德损失函数使WCAE-LSTM网络关注运动目标，抑制背景噪声的影响，并通过最小化加权欧几里德损失函数训练WCAE-LSTM网络，从而利用该网络估计不同通道数据的编码重构结果。

3)：根据原始数据及对应光流数据的编码重构结果计算不同通道的全局异常值，并通过加权融合方式得到融合的全局异常值。

4)：对原始数据的编码重构结果进行分块，计算子块的局部异常值，并通过阈值化处理检测异常子块，实现异常行为的粗略定位，综合考虑融合的全局异常值和子块的局部异常值，实现对异常行为的最终检测。

2.根据权利要求1所述的利用WCAE-LSTM网络进行移动人群异常行为检测的方法，其特征在于，所述步骤1)具体包括：(1)：将原始视频数据及对应的光流数据根据时间顺序依次输入到WCAE-LSTM网络，通过含三个卷积层的编码器对输入的双通道数据进行编码，得到不同通道数据的空间变化特征。

(2)：将编码后的双通道数据的空间变化特征输入含三个卷积长短期记忆网络单元的时空处理模块(sptiao-temporal processing module，STP)，获取序列输入的双通道数据的时空变化特征。

(3)：将STP模块输出的双通道数据的时空变化特征送到含三个解卷积层的解码器，进行不同通道的数据重构。

3.根据权利要求1所述的利用WCAE-LSTM网络进行移动人群异常行为检测的方法，其特征在于，所述步骤2)具体包括：(1)：对于输入的原始视频数据，采用分块鲁棒主成分分析分解将运动前景与静止背景分离，分割过程如下： 其中，D表示输入图像，L表示静止的低秩背景，F表示运动的稀疏前景，||||*表示核范数，||||1表示L1范数。映射矩阵Pi()用于从全局图像中提取图像子块，惩罚参数λi表示第i个图像子块的运动显著性。

(2)：提出一种加权欧式损失函数，使WCAE-LSTM网络更加专注于学习移动前景目标的时空特征表示，抑制背景噪声对于网络学习能力的影响。加权欧式损失函数定义如下：L＝||(E(I,O)-I)⊙W||2，其中O是训练好的网络参数，I是输入数据，E(I,O)是数据的输出重构数据(用R表示)，W是根据前景分割结果得到的权重矩阵，与I大小相同，⊙表示对矩阵进行逐元素相乘。

(3)：对于不同通道的数据，在训练阶段，通过最小化加权欧式损失函数使WCAE-LSTM网络学习得到原始数据与对应光流数据的时空编码特征，在测试阶段利用训练好的网络分别估计原始数据与对应光流数据的编码重构结果，利用编码重构结果进行后续的异常行为检测。

4.根据权利要求1所述的利用WCAE-LSTM网络进行移动人群异常行为检测的方法，其特征在于，所述步骤3具体包括：(1)：根据原始数据中某一帧的所有像素点处重构误差求和计算该帧处的重构误差，计算公式如下：ER(t)＝∑(x,y)eR(x,y,t)，其中eR(x,y,t)表示原始数据中第t帧在坐标(x,y)处的重构误差，即eR(x,y,t)＝||IR(x,y,t)-RR(x,y,t)||2，其中IR是原始数据的像素强度值，RR是编码重构结果的像素强度值。

( 2 ) ：计 算 第 t 帧 原 始 数 据 的 正 则 性 得 分 S R ( t) ，定 义 如 下 ：其中T表示输入原始数据的总帧数。

(3)：根据(1)与(2)所示步骤计算光流数据的正则性得分SOP(t)，融合原始数据及对应光流的正则性得分，定义如下： 其中α1和α2是融合的权重。

5.根据权利要求1所述的利用WCAE-LSTM网络进行移动人群异常行为检测的方法，其特征在于，所述步骤4具体包括：(1)：将原始数据的编码重构结果平均分成9×9的小块，计算每一小块的重构得分SLR(tm)(m＝1,2,…,81)。如果某一小块的重构得分小于给定阈值(阈值为(SLR(tm))-k×std(SLR(tm))，其中k是经验参数)，则视该小块为异常块，计算所得异常小块的重构得分的平均值 其中n表示异常块的个数。

(2)：根据融合的全局异常值SF(t)的大小判断其是否需要与 进行融合，阈值可按照经验值进行设定(假设为0.7)，如果需要进行再次融合，那么输入数据第t帧的异常得分定义为 其中α1和α2是融合的权重。