1.一种基于改进SSD的人群异常行为检测方法，其特征在于：具体包括以下步骤：步骤一、数据预处理：包括视频帧序列化、图像标注、划分数据集

1)视频帧序列化：通过python中集成的多媒体操作开源程序，对视频进行包括裁剪、截取功能；

2)图像标注：利用图像标注工具对异常行为检测数据集进行标注，将每幅图像中的异常行为分别用矩形框框出来，并标明所属类别；

3)划分数据集：将第2)步扩充得到的数据集划分为训练集及测试集，并将原始图片压缩为SSD网络默认大小的图像；

步骤二、训练并评估SSD网络模型

将步骤一第3)步处理完成的图像作为SSD网络模型的输入图像，并设置SSD网络模型的运行参数，在实验操作平台上对SSD网络模型进行训练，然后采用异常行为检测领域常用的评估指标对训练的SSD网络模型进行效果评估；

步骤三、针对步骤二评估进行SSD网络改进

1)替换特征提取网络

将SSD网络的特征提取网络替换为轻量网络MobileNet v2网络，以减小网络模型参数规模；

2)嵌入可变形卷积模块

通过增加方向向量改变传统卷积核固定的尺寸和大小，使其能够自适应调整自身形状应对不同尺度、形变的目标主体，从而更好地提取输入特征；

3)设计注意力机制模块

SSD网络模型通过提取SSD网络默认的六个不同尺度的特征图来检测目标对象，特征图中包含了包括特征通道和位置信息，图中内容对目标检测任务的结果贡献不同即显著性不同，利用坐标注意力模块，通过学习的方式，抑制不显著的特征，增强网络中特征的表达能力，通过学习得到上下文关系，能够捕获空间位置之间的远程依赖关系，根据人群中未遮挡部分的异常行为来预测遮挡部分的异常行为，进而提升目标检测效果；

步骤四、训练改进SSD网络

将步骤一第3)步中经数据处理过的图像作为步骤三中改进SSD网络的输入图像，并设置网络模型的运行参数，在实验操作平台上对步骤三改进的SSD网络模型进行训练，采用异常行为检测领域常用的评估指标对改进SSD的检测结果进行评估，并输出最终异常行为检测结果。

2.根据权利要求1所述的一种基于改进SSD的人群异常行为检测方法，其特征在于：所述步骤三第2)步的具体方法如下：

2.1)输入图片经过一个普通卷积得到输入特征图；

2.2)将输入特征图上半部分卷积得到偏移量ΔPn；

2.3)使用双线性插值来表示偏移位置；

2.4)将获得的偏移量加到输入特征图得到新的采样位置，然后使用卷积核提取特征得到输出特征图；

卷积核的定义：

R＝{(‑1，‑1)，(‑1，0)，...(0,1)，(1,1)}             (1)其中，R定义了感受野的大小和扩张；

普通卷积的输出是：

其中，X为输入，Y为输出，W为权重矩阵，P0为特征图上的每个点，Pn是网格中的n个点；

可变形卷积的输出是：

其中，ΔPn为坐标偏移量。

3.根据权利要求1所述的一种基于改进SSD的人群异常行为检测方法，其特征在于：所述步骤三第3)步的具体方法如下：坐标注意力模块将通道注意力分解为两个并行的一维特征编码过程，把空间坐标信息有效整合到生成的注意图中；即对X水平和Y垂直方向执行平均池化得到两个一维向量，接下来在空间维度上拼接和1×1卷积来压缩通道，然后通过BN层和ReLU来编码两个方向的空间信息并切分，接着各自通过卷积得到和输入特征图相同的通道数，归一化加权，最后与原特征图相乘，以此来对特征进行自适应调整；

将坐标注意力模块放置于卷积层之后、BN层之前，通过将位置信息整合到通道注意力中来进行特征增强，分别用坐标注意力模块增强经MobileNet v2提取的输出特征图。

4.根据权利要求1所述的一种基于改进SSD的人群异常行为检测方法，其特征在于：所述步骤二、步骤四中网络模型的运行参数包括初始学习率，学习动量，权重衰减率，采用随机梯度下降法SGD更新网络参数。

5.根据权利要求1所述的一种基于改进SSD的人群异常行为检测方法，其特征在于：所述步骤二、步骤四中异常行为检测领域常用的评估指标为AUC；受试者工作特征为ROC；ROC曲线的横、纵坐标分别表示假正例率FPR、真正例率TPR；其中：TPR表示在所有真正例的样本中，被正确地判断为正例的比率；FPR表示在所有真反例的样本中，被错误地判断为正例的比率；

FPR为横坐标，TPR为纵坐标，其计算公式如下：

式中，表示判断为正例，实际为正例；表示判断为正例，实际为反例；表示判断为反例，实际为反例；表示判断为反例，实际为正例。