基于间隔损失神经网络的异常翻栏检测方法

针对异常翻栏行为检测中的非线性和不均衡性问题，本文提出了一种基于间隔损失的神经网络模型，称为MarginNet模型。首先，采用神经网络来捕捉数据中的非线性特征，以更好地适应数据的复杂性并提高异常行为的识别准确性。其次，引入间隔损失函数作为模型的损失函数，通过最大化正常样本与异常样本之间的间隔来增强模型的泛化能力和鲁棒性。同时，为解决异常行为数据集中的不均衡性问题，使用不均衡因子来调整样本的权重，使得模型更加关注少数类的异常行为，从而提高对异常行为的识别能力。在此基础上，构建了一个用于实时监测和识别翻栏行为中异常情况的异常行为检测系统。最后，实验结果验证了本文所提出的MarginNet模型的有效性。

公共场合中存在很多道路隔离设施，对这些围栏进行重点监视，以便保护公民的生命财产安全，以及规范公共场所秩序。例如，在校园封闭管理下，可以避免学生翻越围栏、偷取外卖等现象[1]；在交通护栏、绿化隔离带等交通安全隔离设施是为实现人车分道、车车分道而设置的物理设施，若发生行人翻越，容易造成交通隐患；在展览馆、博物馆等展览设施为避免游客进入展览区，造成不必要的人员财产安全损失。相较于传统的人工监视，通过监控设备可以更全面更持久地对这些地方进行监测。

对于异常行为检测，一般分为特征提取和分类器识别两个部分。特征提取是指在原始信息中，提取关键信息，以便后续的行为分类；分类器识别是指，训练分类识别器后，针对特征提取到的关键信息对行人行为进行识别。针对异常行为问题，众多学者对此进行了研究，文献[2]中对异常行为中的各种方法进行了总结， 基于CNN 提取视频中的时空特征方法融合了外观和运动特征， 能捕获到更多的正常和异常行为高级特征的差异，从而提升了检测效果；基于隐藏特征表示学习方法认为正常行为数据的潜在特征分布符合一定的规律，而异常行为的潜在特征则不符合该规律；基于联合生成器鉴别器检测异常的方法可以在广泛的训练步骤中产生稳定的结果，提高了算法的鲁棒性。文献[3]提出一种基于改进SSD (Single Shot Multi-box Detector)的人群异常行为检测算法，能够捕获空间位置之间的远程依赖关系，从而可以较好处理重叠遮挡问题。

针对异常行为的不均衡问题，文献[4]利用数据分布不均衡条件下的少数类过抽样算法处理不均衡数据集内少数类样本，算法将少数类样本作为中心，利用新生成的虚拟少数类样本改善不平衡数据集内数据不均匀分布情况；文献[5]提出了动态非线性惯性权重对PSO 进行优化和一种非线性多分类均衡支持向量机BSVM，以减小由于样本量不均衡引起的误差；文献[6]使用改进的K-means 聚类算法将原始数据集划分为不同的聚类簇，在聚类簇中使用改进的SMOTE 算法对小类样本过采样，对聚类簇内的大类样本欠采样，使数据集平衡。然而，异常行为识别问题具有非线性和不均衡性的特点，这给传统模型存在以下技术缺陷：1) 异常行为通常表现出高度复杂的非线性模式，这种复杂性很难被传统线性模型所捕捉和描述。此外，对于基于核映射的方法，如何选择合适的核函数和核参数捕获异常行为判别潜在的判别信息也是一个较为棘手的问题。2) 类别不平衡问题方面：由于异常行为的数据往往相对较少，远远少于正常行为数据，因此在实际的异常检测任务中，会存在异常数据类别所占比例较小的情形，即训练数据存