1.一种在线视频异常行为检测模型训练方法，其特征在于，包括:构建2D-3D深度时空自动编码器网络模型，所述网络模型包括依次连接的2D卷积网络、3D卷积网络、3D反卷积网络及2D反卷积网络；从在线视频流中采样得到多个长度相同的RGB片段，随机取历史RGB片段中一半数量的片段对新采样的RGB片段做等量替换，随后从每个片段中随机采集一帧，组成采样帧组；将采样帧组作为训练数据集输入构建的网络模型中，首先通过共享权重的单个2D卷积网络得到二维特征图，通过堆叠多个视频帧的二维特征图得到对应的时空特征体，随后3D卷积网络对所述时空特征体进行处理提取时空特征，将时空特征输入3D反卷积网络及2D反卷积网络对输入数据进行重构，最后通过损失函数计算得到重构误差；将得到的重构误差通过反向传播算法更新网络模型参数，鼓励参数对正常数据输入得到更小的重构误差，得到训练好的网络模型作为在线视频异常行为检测模型。
2.根据权利要求1所述的在线视频异常行为检测模型训练方法，其特征在于，所述损失函数表示为欧几里得损失L rec ：其中， 是第i个输入batch的大小为N的输入采样帧组，j是大小为N的采样帧组中的一帧， 是通过重构得到的重构输出。
3.根据权利要求1所述的在线视频异常行为检测模型训练方法，其特征在于，在线视频的行为包括：电网作业行为。
4.一种在线视频异常检测方法，其特征在于，包括：自t时刻起累积输入的在线视频数据为包含N帧的视频片段S N ，在视频帧采样初始阶段，对前N帧进行密集采样生成视频片段S N ，当后续采集的视频帧数达到N帧后，将生成新的标准长度视频片段随机取其中一半数量的视频帧，对S N 中等量的视频帧进行均匀替换，得到当前时刻更新后的S N ，同时将权利要求1-3任一所述的在线视频异常行为检测模型的采样帧数也设置为N帧；将在线视频片段S N 输入权利要求1-3任一所述的在线视频异常行为检测模型得到相应的重构误差，判断当前时刻输入视频流是否异常，如果重构误差小于预设阈值，则无异常发生，否则输入视频流发生异常。
5.根据权利要求4所述的在线视频异常检测方法，其特征在于，当输入视频流发生异常时发出告警信号，然后继续执行在线视频异常行为检测任务。
6.一种在线视频异常行为检测模型训练系统，其特征在于，包括：网络模型构建模块，用于构建2D-3D深度时空自动编码器网络模型，所述网络模型包括依次连接的2D卷积网络、3D卷积网络、3D反卷积网络及2D反卷积网络；视频帧采样模块，用于从在线视频流中采样得到多个长度相同的RGB片段，随机取历史RGB片段中一半数量的片段对新采样的RGB片段做等量替换，随后从每个片段中随机采集一帧，组成采样帧组；重构误差获取模块，用于将采样帧组作为训练数据集输入构建的网络模型中，首先通过共享权重的单个2D卷积网络得到二维特征图，通过堆叠多个视频帧的二维特征图得到对应的时空特征体，随后3D卷积网络对所述时空特征体进行处理提取时空特征，将时空特征输入3D反卷积网络及2D反卷积网络对输入数据进行重构，最后通过损失函数计算得到重构误差；在线视频异常行为检测模型获取模块，用于将得到的重构误差通过反向传播算法更新网络模型参数，鼓励参数对正常数据输入得到更小的重构误差，得到训练好的网络模型作为在线视频异常行为检测模型。
7.一种在线视频异常检测系统，其特征在于，包括：视频帧采样及模型输入设置模块，用于自t时刻起累积输入的在线视频数据为包含N帧的视频片段S N ，在视频帧采样初始阶段，对前N帧进行密集采样生成视频片段S N ，当后续采集的视频帧数达到N帧后，将生成新的标准长度视频片段随机取其中一半数量的视频帧，对S N 中等量的视频帧进行均匀替换，得到当前时刻更新后的S N ，同时将权利要求1-3任一所述的在线视频异常行为检测模型的采样帧数也设置为N帧；在线视频异常行为检测模块，用于将在线的视频片段S N 输入权利要求1-3任一所述的在线视频异常行为检测模型得到相应的重构误差，判断当前时刻t输入视频流是否异常，如果重构误差小于预设阈值，则无异常发生，否则输入视频流发生异常。
8.根据权利要求7所述的在线视频异常检测系统，其特征在于，还包括：告警模块，用于当输入视频流发生异常时发出告警信号，然后继续执行在线视频异常行为检测任务。
9.一种计算机设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-5中任一所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-5中任一所述的方法。
