1.基于EANN深度学习模型的暴力异常行为检测方法，其特征在于，包括以下步骤：步骤S1、获得待检测视频，基于帧差法对视频中连续两帧图像进行差分，得到差分图像作为EANN模型的输入；

步骤S2、基于卷积神经网络Efficentnet提取差分图像的空间特征；

步骤S3、基于ConvLSTM对步骤S2提取的空间特征进行连续时间上的编码，获得视频的局部时空特征；

步骤S4、针对步骤S3所获得的局部时空特征，利用注意力机制对剧烈运动部分进行加强；

步骤S5、基于全连接层对步骤S4的输出进行分类，得到该视频暴力异常行为的概率，进而实现对暴力异常行为的检测。

2.根据权利要求1所述的基于EANN深度学习模型的暴力异常行为检测方法，其特征在于：所述EANN深度学习模型包括输入层、空间特征提取层、局部时空特征编码层、注意力机制层和全连接层，所述卷积神经网络提取空间特征层基于EfficientNet实现，所述局部时空特征提取层基于ConvLSTM实现。

3.根据权利要求1所述的基于EANN深度学习模型的暴力异常行为检测方法，其特征在于：所述步骤S2中，在提取空间特征时，Eficientnet采用复合缩放方法，基于一个复合系数φ来统一的缩放网络的宽度、深度和分辨率。

4.根据权利要求3所述的基于EANN深度学习模型的暴力异常行为检测方法，其特征在于：所述步骤S2中，EfficientNet的搜索方式包括两步：(1)固定 设有两倍的资源可用，做关于α,β,γ的网格搜索，α,β,γ是常量，且α,β,γ服从约束α·β2·γ2≈2；

(2)把α,β,γ固定为常量，用不同的φ来缩放网络，以得到EfficientNet不同层的变体网络。

5.根据权利要求4所述的基于EANN深度学习模型的暴力异常行为检测方法，其特征在于：所述步骤S4中，注意力机制对剧烈运动部分进行加强时，基于按位点积的方式实现：(1)设X＝{x1,x2,…,xn}为网络层的输入，具体为Efficientnet+ConvLstm生成的局部时空特征作为输入，Y＝{y1,y2,…,yn}为网络层的输出；

(2)注意力机制对Efficientnet+ConvLstm生成的局部时空特征，按照剧烈程度分配权重，再按照点积的方式对信息进行融合；

(2)最后，经过全连接+softmax实现是否是剧烈运动异常行为的判别，得到最终的输出。