用于自助结账零售环境中的异常检测的方法和装置与流程

1.本发明涉及一种用于自助结账(self
‑
checkout)零售环境中的异常检测的方法和装置。


背景技术：

2.在零售环境中，自助结账和自动化流程日益成为主流。然而，这导致一个缺点：基于自助结账(sco)的零售环境通常会由于各种原因导致较低的客流量。消费者或顾客通常没有接受过自助结账机制的培训，并且在许多情况下对该技术感到不舒服。顾客缺乏知识和经验会减慢结账和支付商品的过程。例如，顾客可能会错误地执行扫描过程，必须等待零售员工重置机器或为交易提供授权，或者实际上顾客可能只是纠缠于扫描相关条形码。显然，故意避免交易的尝试也会发生。等待无效交易的时间损失、需要校准的称重以及额外的非理想场景导致中断。这些非理想场景包括不扫描、超额收费、无效交易等。
3.可以理解，如上所述的客流量中断会影响盈利能力和营业额；例如，考虑到活动高峰期。流量中断会延迟顾客的吞吐量，可能导致积压，并且/或者会让那些原本会进行一些冲动消费的顾客感到厌烦。这反过来又会影响营业额并降低自助结账系统的效率。零售商们之前已尝试通过服务员/操作员对sco进行人工监控来控制该问题。服务员的工作通常有两部分：监控部分和决策/行动部分。监控部分是当需要服务员观察sco处的任何不规则性(irregularity)和堵塞时，而行动组件是在观察到不规则性时服务员尝试纠正问题。显然，这也会导致流量的不规则性。服务员通常倾向于重置机器而忽略产品尚未被扫描的事实。这对零售所有者来说是一种损失，并且可能会被滥用。不规则性被定义为任何不遵循购物流程的预期模式的活动。购物流程由一系列动作组成：从某个区域挑选对象，将对象放到某个区域，使对象通过扫描仪，按下按钮或某个触摸屏区域，将产品装袋，带着非空的购物车经过，等等。
4.因此，需要实施自动化方法和装置来优化客流量。


技术实现要素：

5.应当理解，前述概念和以下更详细讨论的附加概念的所有组合(假设这些概念不是相互矛盾的)都被认为是本文公开的发明主题的一部分。特别地，出现在本公开末尾的要求保护的主题的所有组合都被认为是本文公开的发明主题的一部分。还应当理解，那些也可能出现在通过引用并入的任何公开中的在本文中明确采用的术语应当具有与本文公开的特定概念一致的含义。
6.一方面，本发明提供了一种用于自助结账环境中的异常检测的系统，其包括处理单元，用于：在从自助结账终端接收的交易数据中提取一组特征；基于该组特征对活动进行表征；针对每个表征的活动定义多个活跃间隔；针对所述多个活跃间隔中的每个定义的活跃间隔确定元特征向量；将每个元特征向量与一组预定义的向量进行比较；以及基于比较检测异常。
7.对活动进行表征可以包括：从接收到的数据中提取一组特征，将该组特征转换为相应的一组特征激活值并确定该组激活值在一个时间间隔内的演变，以及根据以下方程式定义活动activity
μ
：
8.{f
i
(n)|i∈featureset
μ
，μ∈[1，k]，n∈[n1，n2]，n2＝n1+n
a
}，
[0009]
其中n
a
是被认为检测到所述活动的帧的数量。
[0010]
f
i
(n)是提取的特征组的值，
[0011]
featureset
μ
是描述activity
μ
的一组特征，
[0012]
[n1，n2]表示在初始帧n1的时间和最后一帧n2的时间之间的时间间隔内提取的一组连续帧。
[0013]
处理器可以被进一步配置为估计定义所述活动的帧的数量n
a
。该估计包括定义激活函数a(f
i
(n)，r
i
)并基于该函数将时域分割成活跃间隔，其中a(f
i
(n)，r
i
)被表征为
[0014]
其中r
i
表示用户针对每个特征f
i
定义的一组规则；当r
i
对于给定的帧n为真时，f
i
(n)是活跃的。
[0015]
对于所有k个活动，每个活跃间隔可以被定义为
[0016][0017]
处理器可以被进一步配置为确定相邻活跃间隔之间的非活跃间隔。
[0018]
处理器可以被进一步配置用于包括将所述非活跃间隔与阈值进行比较，并将所述相邻活跃间隔和非活跃间隔组合成合并的活跃间隔。
[0019]
确定元特征向量可以包括在活跃间隔中针对每个特征f
i
计算多个统计量度并且组合所述特征以形成每个活跃间隔的元特征向量。
[0020]
统计量度可以包括统计矩(statistical moment)和/或有序统计。
[0021]
处理器可以被配置为在确定的元特征向量和第一分类系统模型之间执行第一比较并且基于比较创建警报。
[0022]
处理器可以被配置为在确定的元特征向量和第二系统模型之间执行第二分类比较。
[0023]
处理器可以被配置为基于第一和第二比较来比较第一系统模型和第二系统模型的性能，并且如果第二系统模型的性能优于第一系统模型，则用第二系统模型替换第一系统模型。
[0024]
该系统可以进一步包括用于存储第一系统模型作为备份模型的存储器。
[0025]
处理器可以被配置为接收对于警报的反馈并且基于反馈更新第二系统模型。
[0026]
处理器可以被配置为将第一系统模型的性能与备份模型的性能进行比较，并且如果备份模型优于第一系统模型，则用备份模型替换第一系统模型。
[0027]
该系统可以进一步包括用于报告警报的多个报告设备。报告设备可以从包括移动计算设备、移动通信设备、智能手表、智能眼镜、个人计算机、联网服务器、视觉显示单元和音频输出设备的列表中选择。该系统可以进一步包括pos设备。
[0028]
该系统可以进一步包括用于感测来自自助结账终端的交易数据的多个传感器。
[0029]
本发明的另一个实施例包括一种用于自助结账环境中的异常检测的方法，包括：在从自助结账终端接收的交易数据中提取一组特征；基于该组特征对活动进行表征；针对每个表征的活动定义多个活跃间隔；针对多个活跃间隔中的每个定义的活跃间隔确定元特征向量；将每个元特征向量与一组预定义的向量进行比较；以及基于比较检测异常。
[0030]
该方法可以进一步包括：对活动进行表征包括从接收到的数据中提取一组特征，将它们转换成相应的一组特征激活值并确定这些值的组在一个时间间隔内的演变，然后根据下面的集合定义activity
μ
：
[0031]
{f
i
(n)|i∈featureset
μ
，μ∈[1，k]，n∈[n1，n2]，n2＝n1+n
a
}
[0032]
其中k表示系统知识库中记录的活动的总数，featureset
μ
是描述activity
μ
的一组特征，n
a
是被认为检测到活动的帧的数量，f
i
(n)是提取的特征组的值，[n1，n2]表示在初始帧n1的时间和最后一帧n2的时间之间的时间间隔内提取的一组连续帧。
[0033]
该方法可以进一步包括估计定义所述活动的帧的数量，n
a
被估计，并且其中该估计包括定义激活函数a(f
i
(n)，r
i
)以及基于该函数将时域分割成活跃间隔，并且其中a(f
i
(n)，r
i
)被表征为其中r
i
表示用户针对每个特征f
i
定义的一组规则；当r
i
为真时，f
i
(n)是活跃的。
[0034]
对于所有k个活动，每个活跃间隔可以定义为
[0035][0036]
该方法可以进一步包括：确定相邻活跃间隔之间的非活跃间隔。
[0037]
该方法可以进一步包括：将所述非活跃间隔与阈值进行比较，以及将所述相邻活跃间隔和非活跃间隔组合成合并的活跃间隔。
[0038]
该方法可以进一步包括：其中确定元特征向量包括针对活跃间隔中的每个特征f
i
计算多个统计量度并且组合所述特征以形成每个活跃间隔的元特征向量。
[0039]
统计量度可以包括统计矩和/或有序统计。
[0040]
该方法可以包括：在确定的元特征向量和第一分类系统模型之间执行第一比较并且基于该比较创建警报。
[0041]
该方法可以包括：在确定的元特征向量和第二系统模型之间执行第二分类比较。
[0042]
该方法可以包括：基于第一和第二比较来比较第一系统模型和第二系统模型的性能，并且如果第二系统模型的性能优于第一系统模型，则用第二系统模型替换第一系统模型模型。
[0043]
该方法可以进一步包括：存储第一系统模型作为备份模型。
[0044]
该方法可以进一步包括：接收对于警报的反馈，从而基于反馈更新第二系统模型。
[0045]
该方法还包括：将第一系统模型的性能与备份模型的性能进行比较，并且如果备份模型优于第一系统模型，则用备份模型替换第一系统模型。
[0046]
还提供了一种计算机程序，该计算机程序包括用于使计算机程序实施上述方法的程序指令，所述程序指令可以体现在记录介质、载体信号或只读存储器上。
附图说明
[0047]
本发明的实施例将仅通过示例的方式参照附图进行描述，其中：
[0048]
图1描绘了根据本发明的实施例的自助结账环境。
[0049]
图2是描绘根据本发明的实施例的处理单元的示例的流程图。
[0050]
图3是描绘响应于警报的服务员决策过程的示例的流程图。
[0051]
图4a和图4b提供了根据本发明的活跃间隔的示意图。
[0052]
图5是根据本发明的元特征向量。
[0053]
图6示出了根据本发明的实施例的分类和报告模型。
具体实施方式
[0054]
根据本发明的实施例，提供了自助结账环境100、处理单元102和报告机制103。报告机制包括多个报告设备。
[0055]
自助结账环境包括销售点设备或自助结账机和传感器网络101。传感器网络包括多个传感器。传感器可以包括(一个或多个)照相机、(一个或多个)音频传感器、(一个或多个)3d扫描仪等。这些传感器可以包括任何能够提取与零售交易相关的信息(诸如条形码、qr码、与交易相关联的音频、视频或静止图像等)的传感器。在交易期间，交易数据在传感器网络(101)处被提取，并且被提供给处理单元(102)。交易数据包括诸如条形码、qr码、交易期间记录的音频、交易视频和静态图像之类的交易数据。交易数据是与交易相关的数据。
[0056]
处理单元(102)能够位于零售环境中或者可以远离零售环境，例如在中央集线器处。中央集线器可以联网到多个零售环境。例如，中央集线器可以负责处理来自多个零售站点、连锁零售商等的数据。处理单元处理来自传感器网络的数据。响应于所述处理，能够报告给多个报告设备103警报或信息消息。这些报告设备可以包括在线报告设备，例如计算终端，诸如机器、远程单元、个人计算设备、无线通信设备、智能手表、智能眼镜、寻呼机等。报告设备还可以包括许多离线报告设备，包括数据库服务器、云服务器等。在线和离线报告设备都通过安全网络连接。这些信息消息能够被提供给这些设备中的一个或多个，例如给操作员104和/或主管或管理人员。另外，报告还可以寻址到顾客，例如警告顾客检测到的异常。应当理解，可以向顾客提供指令以纠正异常。报告消息可以是使用音频输出和/或例如sco显示器上的书面消息预先记录的标准短语。这种类型的顾客报告将最大限度地减少对操作员的需求，并从而保持流量。然而，在欺诈情况下有用性是有限的。作为替代，对于操作员警报，当检测到事件并需要操作员干预时，可以发出具有上述信息的消息。
[0057]
图2的处理单元包括分析单元201和决策单元204。虽然被示为分开的单元，但是应当理解，这些单元可以组合成单个单元。传感器网络提取能够用于表征零售交易的数据。这种提取的数据是交易数据并且由安装在销售点环境101中的传感器收集。该交易数据包括诸如条形码、qr码、交易期间记录的音频、交易视频和静止图像之类的数据。通过分析数据，能够识别零售过程的步骤。步骤包括例如挑选产品、扫描产品或将产品装袋。该数据被传递到处理数据的分析单元201。数据的处理用于从数据中提取元特征。该信息然后被传递给决策单元。决策单元就数据中是否存在不规则性做出决策。一旦就不规则性做出决策，警报或信息消息就会被发送到相关的报告设备。可以为每个零售环境预先选择和单独配置相关的报告设备。信息消息可以只是关于不规则性的警报。另外，可以提供关于不规则性类型的信
息以使得能够易于检测。
[0058]
如上所述，信息消息是经由在线和离线设备的网络提供的。应当理解，与在线和离线设备的通信能够可选地与一个或所有设备双向进行。操作员可以使用双向设备来提供关于接收到的信息消息的反馈。反馈可以包括对警报的确认/拒绝。反馈由报告设备发送到决策单元(204)。反馈被用于调整算法。这种自适应算法提高了精度、对假阳性的鲁棒性和检测速度。例如，当发出警报但服务员的评估表明是假阳性时，发生反馈。输入相关系统数据，以便能够更新模型的自适应组件。
[0059]
还应当理解，服务员或操作员可以提供自发的反馈。例如，在没有提供警报或消息的情况下，但操作员检测到不规则性时，可以提供反馈。该信息可被用于创建新的警报或问题实例。还可以提供服务员对零售流程的干预(包括花费的时间、采取的行动以及对流程的影响)的反馈。
[0060]
例如，在图3的步骤301处，监控自助结账的服务员将等待警报。服务员将接收警报和可选的关于检测到的不规则性的相关数据302。基于警报和信息，服务员评估警报并做出关于是否存在事件的决策306。如果检测到事件，服务员对顾客采取适当的行动308并提供相关反馈。如果没有事件，服务员提供反馈310，该反馈具有基于其决策背后的推理而进行的客观评估。
[0061]
另一个例子，这次涉及针对顾客的报告，包括使用音频输出和/或sco显示器上的书面消息提供一些预先记录的标准短语。此类消息指导顾客进行零售流程(例如“请重新扫描产品！”)。这种类型的报告将最大限度地减少对操作员的需求，并从而维持流程。
[0062]
关于图3描述的方法旨在替换和辅助操作员和售货员的决策和行动部分。
[0063]
元特征的提取为判断自助结账流程中是否存在可疑事件或不规则性提供了依据。如上所述的反馈被用于构建和调整决策模型以包括不规则性的新实例和案例，并可被用于提高精度。
[0064]
下面描述关于不规则性或异常检测机制的更多细节。
[0065]
如关于图1所述的，信息或交易数据是从多个传感器获得的。该信息可以包括例如提供与零售和自助结账流程相关联的图像流的视频数据。下面描述的方法描述了视频数据，但是可以使用任何数据。对于每个视频帧(n)，对传感器网络的一个或多个传感器的输出进行采样，以在离散时间n从交易数据中提取一组特征f
i
(n)，i＝1，2，3.....k。应当理解，传感器网络同时监控多个活动。特征例如可以包括视频帧中前景像素的百分比、视频帧的特定区域中运动矢量的数量、取向或视频帧中感兴趣区域中存在的关键点的数量。通过将统计函数应用于特征，基于时间间隔内的特征变化获得元特征，例如，统计矩(均值、方差、偏斜、峰态等)或有序统计(最小值、最大值、中值、四分位数、修剪均值、绝对偏差中值等)。在具有y个特征的情况下，n
×
y个统计量度的数量将被计算并编码到元特征向量中。每个activity
μ
由特征featureset
μ
的预定义子集和与这个子集相对应的一组元特征值进行表征。因此，当一个特定的活动正在发生或正在进行时，基于激活函数的非零值，相应的特征子集将被传感器网络检测为活跃的。不同的活动将对应不同的特征子集。选择的实际特征子集取决于检测到的活动。因此，活动基于其特征组被表征。这些特征由与解决与应用程序有关的特定任务相关的信息表示。它们可以手动或自动选择。可以使用神经网络或其他机器网络技术来实现自动选择。因此，特征由一个变量或一组变量的值表示。在我们的应用
中，可以从视频中提取特征(例如，皮肤检测、运动检测、运动模式检测、前景/背景检测、身体部位检测等)，其他可以由传感器生成(例如，与扫描相关的声音的检测、静态信息等)。从计算工作量的角度来看，这些特征可以具有不同的复杂水平。低水平特征由直接从传感器中提取的特征或通过简单的计算机视觉算法获得的特征表示(通常这些简单的特征是在像素级获得的)。低水平特征示例：检测到的边缘、检测到的线条、检测到的皮肤像素、主色、具体声音的存在、扫描的时间戳、从扫描机器提取的信号等)。可以通过组合应用具体算法的低水平特征来获得更高水平的特征。
[0066]
从具体roi(感兴趣区域)中提取的特征示例：
[0067]
‑
手的存在/不存在
[0068]
‑
前景像素的百分比
[0069]
‑
在给定方向上的投影超过指定阈值的运动矢量的百分比
[0070]
‑
指定角度范围内的主导运动矢量方向
[0071]
在两个后续帧n1和n2之间的时间间隔(表示为[n1，n2])内发生的活动可以根据下式通过特征组f
i
(n)的演变来表征：
[0072]
{f
i
(n)|i∈featureset
μ
，μ∈[1，k]，n∈[n1，n2]，n2＝n1+n
a
}，
[0073]
其中k表示系统知识库中记录的活动总数，featureset
μ
是描述activity
μ
的一组特征，n
a
是被认为检测到活动的帧的数量，f
i
(n)是提取的特征组的值，并且[n1，n2]表示在初始帧n1的时间和最后一帧n2的时间之间的时间间隔内提取的一组连续帧。帧数n1和n2特定于每个活动。因此，在执行元特征向量计算之前，应该针对模型所存储的每个活动迭代地确定活跃间隔[n1，n2]。它可以基于活跃间隔检测方法来确定。实际上，该间隔取决于由活动确定的具体特征子集。
[0074]
应当理解，为了定义每个特征而估计的帧的数量是变化的，即n
a
是可变的，即不是常数。n
a
因人而异，并且实际上对于重复单一活动的单个人而言如此。在为多件产品结账的过程中，对于单个人而言，每件产品扫描可能会有所不同。具有常数n
a
的滑动窗口方法会产生许多错误，因为窗口大小未针对交易进行优化。次优的窗口大小会导致活动检测错误。
[0075]
为了优化窗口大小并因此提高检测机制的效率，本文建议如下：
[0076]
(i)估计最佳窗口大小
[0077]
(ii)定义相对于窗口大小归一化的时域特征
[0078]
估计n
a
[0079]
再次考虑为了表征活动而提取的特征组f
i
(n)：
[0080]
对于每个特征组f
i
(n)都定义了一个激活函数。
[0081]
(i)其中r
i
表示用户针对每个特征f
i
定义的一组规则；当r
i
为真时，f
i
(n)是活跃的。
[0082]
例如，用户定义的规则可以如下：
[0083]
(i)f
i
(n)≤值
[0084]
(ii)值1≤f
i
(n)≤值2[0085]
(iii)∫f
i
(n)＜0
[0086]
考虑到式i到iii，“值、值1、值
2”定义了特征的极限值。假设特征f
i
(n)被归一化为
取0到1之间的值，则值＝0.5将生成一个规则，即仅当f
i
(n)取值小于其最大跨度的一半时才激活特征f
i
(n)。式(ii)仅在其取值介于值1和值2之间时激活该特征。像值1和值2这样的极限值是在设计过程中使用标准的机器学习方法或通过反复试错设置的。
[0087]
对于每个特征f
i
，激活函数a(f
i
(n)，r
i
)用于将时域分割成激活间隔(函数在一个间隔内的值为1)。对所有k个活动，每个活跃间隔可以被定义为
[0088]
(i)
[0089]
作为示例，如图4a中所示，考虑四个特征，即特征1、特征2、特征3和特征4。图4a示出了四个特征轨迹，每个轨迹代表函数a(f
i
(n)，r
i
)的演变。示出了四个活跃间隔401、402、403、404。还示出了间隙，即相邻活跃间隔405、406、407之间的非活跃间隔。这些间隙是由系统中的噪声引起的。
[0090]
对于第一活跃间隔401中的特征1，检测到一次特征1。在第二活跃间隔402中，在较短的时间段内检测到一次特征2。在第三活跃间隔403或第四活跃间隔404中未检测到特征1。
[0091]
在第一活跃间隔401中检测到一次特征2并且在第三活跃间隔403中再次检测到特征2。在第二活跃间隔402或第四活跃间隔404中未检测到特征2。
[0092]
在第一活跃间隔401、第二活跃间隔402和第四活跃间隔404中检测到特征3，而在第三活跃间隔403中未检测到特征3。
[0093]
考虑到特征4的特征轨迹，有两个激活间隔。在第一活跃间隔401中，特征4被检测到两次。404中未检测到特征4。
[0094]
每个活动的活跃间隔的不同长度在图4a中可见。可以基于对通常与例行结账活动相关联的间隔的确定来预定义具有用于活动检测的预定义阈值的间隔。间隙的大小可以变化。例如，间隙407小于间隙405。
[0095]
为了消除小间隙或非活跃间隔，执行间隔的“宽松联合”以将两个活跃间隔合并为一个单个间隔，如图4b所示，特别是关于在图4b中合并的间隙间隔407，使得活跃间隔403和404合并为单个活跃间隔408。
[0096]
为了确定合并间隔，将活跃间隔ξ之间的间隙与阈值τ进行比较。τ(间隙的阈值)的最佳值是使用提取的活跃间隔的数据库确定的。τ的值是作为最大化后续分类器精度的值而获得的。这是通过实验完成的。宽松联合的有效间隙被认为是小于阈值(例如300毫秒)的间隙。较大的间隙不能被包括在活跃间隔中。阈值可以学习(通过任何现有方法)或可以通过实验找到。
[0097]
对于每个活跃间隔定义了一个元特征向量，如图5所示。元特征向量将有关活跃间隔期间的活动的相关信息封装到一个固定大小的向量中。然后该向量被用于对活动进行检测或分类。
[0098]
对于每个特征f
i
，计算一组n个统计量度。通过将函数应用于各项特征f
i
的值来计算统计量度。统计度量的示例是(但不限于)：统计矩(均值、方差、偏斜、峰态等)和有序统计(最小值、最大值、中值、四分位数、修剪均值、绝对偏差中值等)。
[0099]
在具有y个特征的情况下，n
×
y个统计量度的数量将被计算并编码到每个活跃间
隔的元特征向量中。这个元特征表示活动检测器的输入。如图5所示，示出了具有四个特征的特征组的一组统计度量的示例。元向量由图4所示的活跃间隔中的每一个形成。如图5所示，向量由间隔中的每个特征的均值、间隔中的每个特征的方差和每个特征的偏斜形成。可以并入额外的特征，诸如峰态。
[0100]
基于元特征向量，决策单元然后确定是否应该发出警报。决策单元将确定的元特征向量与预定义的一组向量或分类模型进行比较，并基于比较检测异常。最初，分类器基于通过监督学习过程获得的数学模型将输入数据分类为定义的输出类别。作为学习过程的一部分，数学模型提供有输入对以获得相应的输出数据。因此，该模型将表示由一组元特征、一组用例以及元特征和该组用例之间的对应关系组成的集合。基于如上所述的反馈，对模型进行调整以通过最小化模型的误差函数来最大化分类精度。
[0101]
图1的处理单元的更多细节在图6中进行描述。
[0102]
在处理单元内，两种类型的模型被用于分类：运行模型或第一模型601以及影子或第二模型602。如上所述的元特征向量被输入到运行模型602、影子模型603和一个或多个备份模型605a
‑
m。运行模型602表示用于主动决策的模型或预定义的元数据向量。在上述分类期间，此模型被冻结，即无法更改。
[0103]
为了保持系统的鲁棒性，影子模型602被并行开发并且基于所做出的运行模型决策以及操作员或系统反馈。
[0104]
反馈被提供给验证和分析模块603，该模块还负责如下进一步描述的模型的交换。值得注意的是，影子模型对决策没有影响。然而，影子模型被用于验证使用运行模型做出的决策。
[0105]
为了验证决策，在影子模型的结果和运行模型的结果之间进行比较。
[0106]
当影子模型优于运行模型时，验证、分析和模型交换模块603将影子模型与运行模型交换。影子模型成为运行模型。被替换的运行模型被保存为备份模型605a
‑
m。备份模型是存储在备份模型缓冲器中的先前运行的模块。备份模型可以恢复为运行模型，如下所述。验证、分析和模型交换模块可以由一个或多个处理器实现。
[0107]
影子模型的性能在n
f
个反馈周期内被评估。每次反馈从操作员604接收到验证、分析和模型交换模块时，更新影子模型并且评估影子模型和运行模型的性能。评估基于n
f
个周期的决策无效百分比。n
f
取决于系统的期望精度而变化。较小的n
f
数将导致更快的适应性。较大的n
f
数会以牺牲速度为代价获得更高的可靠性。n
f
的样本数字包括：(a)为了更快的适应性，它可以被认为与1天到1周收集的反馈相等，(b)而为了更可靠，可以选择比1个月收集的反馈大的值。
[0108]
考虑由性能评估产生的三种不同情况：
[0109]
在第一种情况下，运行模型保持活跃。基于接收到的反馈(添加到影子模型的训练集中的活跃间隔的元特征)对影子模型进行更新。影子模型使用更新后的训练集进行训练。
[0110]
在第二种情况下，当影子模型的性能超过运行模型的性能时，运行模型与影子模型交换。运行模型存储在备份模型缓冲器中，并且影子模型成为运行模型。
[0111]
在第三种情况下，运行模型与备用模型交换。当备份模型优于运行模型时，就会发生这种情况。
[0112]
使用最后一个最近使用的机制将备份模型保存在缓冲器中。应当理解，维护备份
模型提供了应对零售环境的变化(例如光照、一天中的时间等变化)的灵活性。因此系统得到优化。分类从最佳点开始，并使用性能最佳的模型。在备份模型和运行模型之间切换比训练新模型更容易、更高效。
[0113]
一旦如上所述使用运行模型对异常进行分类，就如上文概述的那样传输(一个或多个)警报。
[0114]
以上公开的特征的组合提供了始终可更新的模型，其通过如上所述的一致且可复制的检测、训练和优化过程改进自助结账零售环境中的异常检测。
[0115]
词语“包括”和词语“具有/包含”当在本文中参考本发明使用时用于指定所陈述的特征、整数、步骤或组件的存在，但不排除一个或多个其他特征、整数、步骤、组件或它们的组的存在或添加。
[0116]
应当理解，为了清楚起见，在分开的实施例的上下文中描述的本发明的某些特征也可以在单个实施例中组合提供。相反，为了简洁起见，在单个实施例的上下文中描述的本发明的各种特征也可以分开提供或以任何合适的子组合提供。