以人类为中心的视频异常检测（VAD）旨在识别偏离正常的人类行为。其核心挑战包括多样人类行为的复杂性、异常事件的稀有性以及伦理约束。这些挑战限制了高质量数据集的获取，并突显了对支持持续学习的数据集和框架的需求。为了实现自适应以人类为中心的VAD，我们引入了HuVAD（以人类为中心的隐私增强型视频异常检测）数据集和一种新颖的无监督持续异常学习（UCAL）框架。UCAL支持增量学习，使模型能够随着时间进行适应，从而弥合传统训练与实际部署之间的差距。HuVAD注重隐私保护，提供去标识化的注释，并包含七个室内/室外场景，提供的姿态注释帧数比以往数据集多出5倍以上。我们的标准和持续基准测试利用了一整套评估指标，表明经过UCAL增强的模型在82.14%的情况下实现了优越性能，树立了新的最先进水平（SOTA）。该数据集可从https://github.com/TeCSAR-UNCC/HuVAD 获取。