1.一种基于边界均衡引导的弱监督视频异常检测方法，其特征在于，所述方法包括如下步骤：步骤1、基于特征提取模块、概率策略编码模块、局部支付建模模块、边界均衡评估模块、融合预测模块构成预测模型；将原始视频流输入至特征提取模块中，利用预训练的特征提取器进行特征提取，以得到全局特征序列；

步骤2、将全局特征序列输入至概率策略编码模块中，通过轻量主干网络将全局特征序列中的片段特征映射为隐表示，基于所述隐表示，利用线性层获取基础判别响应值，并将基础判别响应值转化为初始概率策略；

步骤3、构造正常与异常两类支付参考向量，利用局部支付建模模块计算全局特征序列中的当前特征片段对于所述正常与异常两类支付参考向量的局部支付，并结合初始概率策略执行单步策略更新，以得到混合判别策略；

步骤4、基于混合判别策略与局部支付，利用边界均衡评估模块计算策略加权平均支付，基于所述策略加权平均支付定义策略残差向量，并计算边界残差；

步骤5、将基础判别响应值、博弈演化后的混合判别策略以及边界残差输入至融合预测模块中，从混合判别策略中提取异常方向项，并结合边界残差进行平滑门控处理以得到边界门控项，再将基础判别响应值、异常方向项以及边界门控项进行融合，得到异常分数；基于边界残差和异常分数构建损失函数，以对预测模型进行联合优化，得到优化后的预测模型，利用优化后的预测模型进行预测，得到最终的异常分数，根据最终的异常分数确定最终的检测结果。

2.根据权利要求1所述的基于边界均衡引导的弱监督视频异常检测方法，其特征在于，在所述步骤1中，将原始视频流输入至特征提取模块中，利用预训练的特征提取器进行特征提取，以得到全局特征序列，对应过程存在的关系式如下：；

其中，表示全局特征序列，表示第1个片段的特征向量，表示片段总数为的特征向量，表示第个片段的特征向量，表示特征维度为的集合。

3.根据权利要求2所述的基于边界均衡引导的弱监督视频异常检测方法，其特征在于，在所述步骤2中，将全局特征序列输入至概率策略编码模块中，通过轻量主干网络将全局特征序列中的片段特征映射为隐表示，基于所述隐表示，利用线性层获取基础判别响应值，并将基础判别响应值转化为初始概率策略，具体包括如下步骤：将全局特征序列输入至概率策略编码模块中，通过轻量主干网络中的线性层将全局特征序列中的片段特征投影至隐空间，以得到隐表示；

基于隐表示，利用线性层获得基础判别响应值；

将基础判别响应值进行扩展拼接为对称的二元策略表示；

基于对称的二元策略表示，通过softmax函数以得到初始概率策略。

4.根据权利要求3所述的基于边界均衡引导的弱监督视频异常检测方法，其特征在于，通过轻量主干网络中的线性层将全局特征序列中的片段特征投影至隐空间，以得到隐表示，对应过程存在的关系式如下：；

其中，表示片段的隐表示，表示随机丢弃函数，表示修正线性单元激活函数，表示线性层的权重矩阵，表示线性层的偏置项；

在基于隐表示，利用线性层获得基础判别响应值的步骤中，对应过程存在的关系式如下：；

其中，表示基础判别响应值，表示作为判别层的线性层中的第一个参数，表示作为判别层的线性层中的第二个参数；

在将基础判别响应值进行扩展拼接为对称的二元策略表示的步骤中，对应过程存在的关系式如下：；

其中，表示对称的二元策略表示，表示拼接操作；

在基于对称的二元策略表示，通过softmax函数以得到初始概率策略的步骤中，对应过程存在的关系式如下：；

其中，表示初始概率策略，表示初始正常概率，表示初始异常概率，表示softmax函数。

5.根据权利要求4所述的基于边界均衡引导的弱监督视频异常检测方法，其特征在于，在所述步骤3中，构造正常与异常两类支付参考向量，利用局部支付建模模块计算全局特征序列中的当前特征片段对于所述正常与异常两类支付参考向量的局部支付，并结合初始概率策略执行单步策略更新，以得到混合判别策略，具体包括如下步骤：构造正常参考向量与异常参考向量，并利用指数移动平均，更新所述正常参考向量与异常参考向量，以得到更新后的正常参考向量和更新后的异常参考向量；

利用局部支付建模模块，对全局特征序列中的当前特征片段，计算相对于更新后的正常参考向量和更新后的异常参考向量的局部支付；

基于所述更新后的正常参考向量和更新后的异常参考向量的局部支付，结合初始概率策略执行单步策略更新，以得到混合判别策略。

6.根据权利要求5所述的基于边界均衡引导的弱监督视频异常检测方法，其特征在于，计算全局特征序列中的当前特征片段，对于更新后的正常参考向量和更新后的异常参考向量的局部支付，对应过程存在的关系式如下：；

其中，表示更新后的正常参考向量，表示动量因子，表示更新前的正常参考向量，表示批次中正常视频的特征集合，表示集合中元素的数量，表示特征集合中的单个特征向量，表示更新后的异常参考向量，表示更新前的异常参考向量，表示批次中异常视频的特征集合，表示正常参考向量，表示异常参考向量；

在利用局部支付建模模块计算全局特征序列中的当前特征片段，对于更新后的异常参考向量和更新后的正常参考向量的局部支付的步骤中，对应过程存在的关系式如下：；

其中，表示更新后的异常参考向量和更新后的正常参考向量的局部支付，表示当前片段与正常基准的余弦相似度，表示当前片段与异常基准的余弦相似度，表示余弦函数；

在基于更新后的异常参考向量和更新后的正常参考向量的局部支付，结合初始概率策略执行单步策略更新，以得到混合判别策略的步骤中，对应过程存在的关系式如下：；

其中，表示混合判别策略，表示逐元素乘法，表示指数函数，表示可学习的更新温度系数，表示L1范数。

7.根据权利要求6所述的基于边界均衡引导的弱监督视频异常检测方法，其特征在于，在所述步骤4中，基于混合判别策略与局部支付，利用边界均衡评估模块计算策略加权平均支付，基于所述策略加权平均支付定义策略残差向量，并计算边界残差，对应过程存在的关系式如下：；

其中，表示策略加权平均支付，表示对混合判别策略进行转置，表示转置操作，表示策略残差向量，表示全1向量，表示边界残差，表示L2范数，表示混合判别策略的第个策略分量，表示更新后的异常参考向量和更新后的正常参考向量的局部支付第个支付分量。

8.根据权利要求7所述的基于边界均衡引导的弱监督视频异常检测方法，其特征在于，在所述步骤5中，将基础判别响应值、博弈演化后的混合判别策略以及边界残差输入至融合预测模块中，从混合判别策略中提取异常方向项，并结合边界残差进行平滑门控处理以得到边界门控项，再将基础判别响应值、异常方向项以及边界门控项进行融合，得到异常分数，具体包括如下子步骤：将基础判别响应值、博弈演化后的混合判别策略以及边界残差输入至融合预测模块中，从混合判别策略中提取异常方向项，对应过程存在的关系式如下：；

其中，表示异常方向项，表示混合判别策略中的异常分量权重；

采用双曲正切函数对边界残差进行平滑门控处理，以得到边界门控项，对应过程存在的关系式如下：；

其中，表示边界门控项，表示双曲正切函数，表示可学习的门控系数；

将基础判别响应值、异常方向项以及边界门控项进行加权融合，再通过sigmoid激活函数进行融合，以得到异常分数，对应过程存在的关系式如下：；

其中，表示融合后的最终响应值，、分别表示两个不同的可学习的融合系数，表示第个片段的异常分数。

9.根据权利要求8所述的基于边界均衡引导的弱监督视频异常检测方法，其特征在于，基于边界残差和异常分数构建损失函数，以对预测模型进行联合优化，得到优化后的预测模型，具体包括如下步骤：基于异常分数构建视频级交叉熵损失函数；

基于边界残差和异常分数构建定向均衡极化损失函数，对应过程存在的关系式如下：；

其中，表示定向均衡极化损失函数，表示正常视频集合，表示异常视频集合，表示Softplus函数，表示第个正常视频内片段级方向化边界能量的算术平均值，表示预设的正向边界能量阈值，表示对输入序列中数值最大的预设个数的元素求取均值的操作，表示第个异常视频内各片段的方向化边界能量序列；

基于边界残差和异常分数构建跨包均衡支配损失函数；

利用视频级交叉熵损失函数、定向均衡极化损失函数和跨包均衡支配损失函数对预测模型进行联合优化，以得到优化后的预测模型。

10.一种基于边界均衡引导的弱监督视频异常检测系统，其特征在于，所述系统采用如权利要求1-9任一项所述的基于边界均衡引导的弱监督视频异常检测方法，所述系统包括：提取模块，用于：

基于特征提取模块、概率策略编码模块、局部支付建模模块、边界均衡评估模块、融合预测模块构成预测模型；将原始视频流输入至特征提取模块中，利用预训练的特征提取器进行特征提取，以得到全局特征序列；

编码模块，用于：

将全局特征序列输入至概率策略编码模块中，通过轻量主干网络将全局特征序列中的片段特征映射为隐表示，基于所述隐表示，利用线性层获取基础判别响应值，并将基础判别响应值转化为初始概率策略；

建模模块，用于：

构造正常与异常两类支付参考向量，利用局部支付建模模块计算全局特征序列中的当前特征片段对于所述正常与异常两类支付参考向量的局部支付，并结合初始概率策略执行单步策略更新，以得到混合判别策略；

评估模块，用于：

基于混合判别策略与局部支付，利用边界均衡评估模块计算策略加权平均支付，基于所述策略加权平均支付定义策略残差向量，并计算边界残差；

预测模块，用于：

将基础判别响应值、博弈演化后的混合判别策略以及边界残差输入至融合预测模块中，从混合判别策略中提取异常方向项，并结合边界残差进行平滑门控处理以得到边界门控项，再将基础判别响应值、异常方向项以及边界门控项进行融合，得到异常分数；基于边界残差和异常分数构建损失函数，以对预测模型进行联合优化，得到优化后的预测模型，利用优化后的预测模型进行预测，得到最终的异常分数，根据最终的异常分数确定最终的检测结果。