异常检测作为智能视频监控的研究难点和关键技术，其关键问题就是如何获得更好的特征表示，而深度学习相较于传统方法的优势在于可以自动地从海量数据中学习出有用的特征数据，为异常检测问题提供了一个很好的解决方法。

视频中的异常检测是一个研究了十多年的问题。这一领域因其广泛的适用性而引起了研究者的兴趣。正因为如此，多年来出现了一系列广泛的方法，这些方法从基于统计的方法到基于机器学习的方法。

视频异常检测 目的 具有多种算法的视频异常检测系统，并提供实时支持。 目前实施的方法 对于每种方法，都应该有一个jupyter笔记本，评估支持（进行样本测试并输出是否异常）和实时支持。 方法 笔记本状态 评估支持 实时支持 去做 做完了 去做 做完了 去做 去做 构型 通过复制Config.py.example创建一个新的Config.py，其中包含以下参数。 DATASET_PATH ：USCDped1 / Train目录的路径。 SINGLE_TEST_PATH ：要运行的测试样本。 RELOAD_DATASET ：布尔参数。 如果是第一次读取数据库，则设置为True否则从缓存中读

真棒视频异常检测：视频异常检测论文，已发布的代码收集，性能比较

异常检测(AD)问题具有重要的意义，近年来引起了许多研究者的关注。因此，在这一研究领域提出的方法数量稳步增加。AD与重要的计算机视觉和图像处理任务(如图像/视频异常、不规则和突发事件检测)密切相关。最近，深度神经网络(DNNs)提供了一组高性能的解决方案，但代价是高昂的计算成本。然而，在前面提出的方法和可应用的实际方法之间有一个明显的差距。