技術(shù)特征：
1.一種視頻序列異常段落檢測的電子裝置，包括：分割單元，用于將一視頻段落分割為包含獨(dú)立事件的多個(gè)子視頻段落，子視頻段落中包括若干視頻幀；特征信息提取單元，用于分別提取每一子視頻段落中的顏色變化特征、運(yùn)動變化特征及背景信息變化特征；及特征信息處理單元，用于根據(jù)每一子視頻段落中顏色變化特征、運(yùn)動變化特征及背景信息變化特征，分析處理得出異常的視頻段落，該特征信息處理單元包括：距離度量模塊，用于計(jì)算包括多個(gè)子視頻段落的整個(gè)視頻段落的每種變化特征的變化特征均值，進(jìn)一步得出每種變化特征與該種變化特征均值的變化距離，并將該每種變化距離歸一化；異常性度量模塊，用于計(jì)算每一段視頻段落中背景變化率，根據(jù)該背景變化率及一參考值確定權(quán)重系數(shù)大小，根據(jù)確定的權(quán)重系數(shù)以及多種變化距離進(jìn)一步計(jì)算得出子視頻段落中的異常因子，并判斷每一子視頻段落中異常因子大??；及輸出模塊，用于根據(jù)異常因子比較結(jié)果輸出異常子視頻段落。2.如權(quán)利要求1所述的電子裝置，其特征在于，該特征信息提取單元包括：顏色信息提取模塊，用于提取該每一子視頻段落中的顏色變化特征FPM；運(yùn)動信息提取模塊，用于根據(jù)圖像差分運(yùn)算提取每一子視頻段落中運(yùn)動變化特征Avesum和段內(nèi)運(yùn)動變化率特征AllTwisum；背景信息提取模塊，用于根據(jù)混合高斯模型提取該每一子視頻段落中各視頻幀的背景信息，并通過圖像差分運(yùn)算得出每一子視頻段落中背景信息的總體變化特征Avesum_back。3.如權(quán)利要求2所述的電子裝置，其特征在于，每一子視頻段落中的特征變化信息，用特征矢量表示為：vn＝[FPM,Avesum,AllTwisum,Avesum_back]。4.如權(quán)利要求3所述的電子裝置，其特征在于，該視頻段落被均等分割為D個(gè)子視頻段落，則整個(gè)視頻段落的顏色變化特征的特征均值表示為：C＝∑FPM/D；其中每個(gè)子視頻段落的顏色變化特征與顏色變化特征均值的距離表示為：將dF歸一化后得到顏色變化距離DF；同樣，通過歸一化后的子視頻段落運(yùn)動變化特征與運(yùn)動變化特征均值計(jì)算得到運(yùn)動變化距離DAvesum；通過運(yùn)動變化率特征AllTwisum與運(yùn)動變化率特征均值計(jì)算得到運(yùn)動變化率距離DAllTwisum；及通過背景信息的總體變化特征Avesum_back與背景信息的總體變化特征均值計(jì)算得到背景變化距離DAvesum_back。5.如權(quán)利要求4所述的電子裝置，其特征在于，該異常性度量模塊包括背景變化率計(jì)算模塊和異常因子計(jì)算模塊，該背景變化率計(jì)算模塊用于計(jì)算每一子視頻段落中背景變化率，并根據(jù)該背景變化率確定權(quán)重系數(shù)，定義該背景變化率為且權(quán)重系數(shù)ai1和ai2與背景變化率λ、參考值τ'的關(guān)系為6.如權(quán)利要求5所述的電子裝置，其特征在于，該異常因子計(jì)算模塊用于計(jì)算每一子視頻段落中異常因子的大小，每一子視頻段落中異常因子表示為：Fi＝ai1DF+ai2(DAvesum+DAllTwisum)，那么，如果λ<τ'，則Fi＝ai1DF+(1-λ)×ai2(DAvesum+DAllTwisum)；如果λ≥τ'，則Fi＝λ×ai1DF+ai2(DAvesum+DAllTwisum)。7.如權(quán)利要求6所述的電子裝置，其特征在于，參考值τ'取值范圍為0.1≤τ'≤0.2。8.如權(quán)利要求1所述的電子裝置，其特征在于，該分割單元用于將該視頻段落按照等長的時(shí)間窗口劃分為多個(gè)子視頻段落。9.如權(quán)利要求1所述的電子裝置，其特征在于，該電子裝置還包括一轉(zhuǎn)換單元，用于將一基于視頻信號的視頻段落轉(zhuǎn)換為數(shù)字信號的視頻段落。10.如權(quán)利要求1所述的電子裝置，其特征在于，該輸出的異常子視頻段落為異常因子最大的子視頻段落或異常因子較大的幾個(gè)子視頻段落，且如果是相鄰的多個(gè)異常因子較大子視頻段落，將多個(gè)異常因子較大子視頻段落合并輸出，該異常因子較大的幾個(gè)子視頻段落是指將每一子視頻段落的異常因子由大到小依次排列后，根據(jù)需求按照從大到小的順序選取的幾個(gè)異常因子所對應(yīng)的幾個(gè)子視頻段落。11.一種視頻序列異常段落檢測的方法，包括：輸入一視頻段落；將該視頻段落分割為包含獨(dú)立事件的多個(gè)子視頻段落，每個(gè)子視頻段落中包括若干個(gè)視頻幀；提取每一子視頻段落中顏色變化特征、運(yùn)動變化特征及背景信息變化特征；計(jì)算包括多個(gè)子視頻段落的整個(gè)視頻段落的每種變化特征的變化特征均值，進(jìn)一步得出每一子視頻段落的每種變化特征與對應(yīng)該種變化特征均值的變化距離,并將每種變化距離歸一化；計(jì)算每一子視頻段落中背景變化率；判斷背景變化率與一參考值大小，進(jìn)而確定權(quán)重系數(shù)和大?。桓鶕?jù)確定的權(quán)重系數(shù)以及多種變化距離計(jì)算每一子視頻段落中異常因子，并比較各個(gè)視頻段落異常因子大??；及根據(jù)異常因子比較結(jié)果輸出異常子視頻段落。12.如權(quán)利要求11所述的視頻序列異常段落檢測的方法，其特征在于，該方法步驟還包括：提取該每一子視頻段落中的顏色變化特征FPM；提取每一子視頻段落中運(yùn)動特征，包括運(yùn)動變化特征Avesum和運(yùn)動變化率特征AllTwisum；及根據(jù)混合高斯模型提取每一子視頻段落中各視頻幀的背景信息，并利用差分圖像計(jì)算得出子視頻段落中背景信息的總體變化特征Avesum_back。13.如權(quán)利要求12所述的視頻序列異常段落檢測的方法，其特征在于，每一子視頻段落中的特征變化信息，用特征矢量表示為：vn＝[FPM,Avesum,AllTwisum,Avesum_back]。14.如權(quán)利要求13所述的視頻序列異常段落檢測的方法，其特征在于，該視頻段落被均等分割為D個(gè)子視頻段落，那么整個(gè)視頻段落的顏色變化特征的特征均值表示為：C＝∑FPM/D；其中每個(gè)子視頻段落的顏色變化特征與該特征均值的距離表示為：將dF歸一化后得到顏色變化距離DF；同樣，通過子視頻段落運(yùn)動變化特征與運(yùn)動變化特征均值計(jì)算得到運(yùn)動變化距離DAvesum；通過運(yùn)動變化率特征AllTwisum與幀間運(yùn)動變化率特征均值計(jì)算得到運(yùn)動變化率距離DAllTwisum；及通過背景信息的總體變化特征Avesum_back與背景信息的總體變化特征均值計(jì)算得到背景變化距離DAvesum_back。15.如權(quán)利要求14所述的視頻序列異常段落檢測的方法，其特征在于，定義該背景變化率為且權(quán)重系數(shù)ai1和ai2與背景變化率λ、參考值τ'的關(guān)系為16.如權(quán)利要求15所述的視頻序列異常段落檢測的方法，其特征在于，每一子視頻段落中異常因子表示為：Fi＝ai1DF+ai2(DAvesum+DAllTwisum)，那么，如果λ<τ'，則Fi＝ai1DF+(1-λ)×ai2(DAvesum+DAllTwisum)；如果λ≥τ'，則Fi＝λ×ai1DF+ai2(DAvesum+DAllTwisum)。17.如權(quán)利要求16所述的視頻序列異常段落檢測的方法，其特征在于，參考值τ'取值范圍為0.1≤τ'≤0.2。18.如權(quán)利要求11所述的視頻序列異常段落檢測的方法，其特征在于，該視頻段落按照等長的時(shí)間窗口劃分為多個(gè)子視頻段落。19.如權(quán)利要求11所述的視頻序列異常段落檢測的方法，其特征在于，該方法還包括將一視頻段落由視頻信號轉(zhuǎn)換為數(shù)字信號。20.如權(quán)利要求11所述的視頻序列異常段落檢測的方法，其特征在于，該輸出的異常子視頻段落為異常因子最大的子視頻段落或異常因子較大的幾個(gè)子視頻段落，且如果是相鄰的多個(gè)異常因子較大子視頻段落，將多個(gè)異常因子較大子視頻段落合并輸出，該異常因子較大的幾個(gè)子視頻段落是指將每一子視頻段落的異常因子由大到小依次排列后，根據(jù)需求按照從大到小的順序選取的幾個(gè)異常因子所對應(yīng)的幾個(gè)子視頻段落。