基于蝗蟲視覺神經的人群匯流行為檢測神經網絡

摘 要：運動人群在交叉路口或通道形成獨特的運動行為模式——人群匯流，易引發諸如擁擠推攘、跌倒踩踏等潛在公共安全風險，然而目前尚未有針對該人群匯流檢測的計算模型研究工作報道。針對該問題，提出了一種生物啟發的人群匯流行為檢測神經網絡（CCBDNN）。基于蝗蟲視覺神經結構特性，該神經網絡感知視野域中人群活動引發的視覺運動線索；借助哺乳動物視網膜方向感知機制提取人群局部運動方向線索；通過蝗蟲小葉巨型運動檢測器（LGMD）危險感知機理，構建尖峰調諧機制并輸出表征人群匯流行為感知的神經尖峰響應。系統性實驗研究表明，CCBDNN能有效檢測視覺場景中的人群匯流行為，并產生具有獨特偏好特性的輸出響應。該工作涉及生物視感神經機制啟發的動態視覺信息加工處理，可為人工智能中的人群活動檢測與行為識別研究提供新方法、新思想。

關鍵詞：人群匯流檢測；神經尖峰響應；LGMD；方向感知；蝗蟲視覺神經；人工智能

中圖分類號：TP391"" 文獻標志碼：A"" 文章編號：1001-3695（2025）03-035-0911-09

doi：10.19734/j.issn.1001-3695.2024.05.0224

Neural network for detecting crowd convergence behavior based on locust visual nerve

Yang Xutaoa，b，Qin Jina，b，Hu Bina，b，c

（a.State Key Laboratory of Public Big Data，b.College of Computer Science amp; Technology，c.Artificial Intelligence Research Institute，Guizhou University，Guiyang 550025，China）

Abstract：

Moving crowd in public place can generate a unique movement pattern known as crowd convergence behavior at intersections or passageways，which can lead to potential public risks，such as crowding，pushing，and trampling.However，no computational models have been reported against to detecting crowd convergence.To fill this gap，this paper investigated a bio-inspired artificial visual neural network which named crowd convergence behavior detection neural network（CCBDNN）.Based on the visual neural structure characteristics of locusts，CCBDNN perceives visual motion cues produced by crowd activities within the field of view and extracted local motion direction cues of crowd using the direction perception mechanism of mammalian retinas，and then constructed a spike mechanism and output neural spiking responding to represent the perception of crowd convergence behavior by the danger perception mechanism of LGMD neurons in locusts’ vision systems.Systematic experiments show that CCBDNN can effectively detect crowd convergence behavior in visual scenes and produce output tuning with unique preference characteristics.This paper is involved the dynamic visual information processing inspired by biological neural me-chanisms，which can provide new methods and ideas for crowd activity detection and behavior recognition in artificial intelligence.

Key words：crowd convergence detection;neural spike responses;LGMD;direction perception;locust vision nerves;artificial intelligence

0 引言

人群匯流行為是指在交叉路口，諸如十字路口或多個通道合并的區域位置，形成的一種獨特人流匯合運動行為。已有的一些踩踏事故表明，人群匯流行為是發生人群擁堵，甚至災難事件的先兆［1］。例如，2001年日本明石市踩踏事件造成39人死亡，其原因是天橋附近出現了人群匯流；曾經在沙特阿拉伯麥加米娜地區發生的踩踏事故，就是由于朝圣過程中兩股高密度人群在T型路口匯流造成的。如果能在災難事故發生前檢測與預警公共場所中出現的人群匯流行為，可以有效預防潛在的踩踏事故發生。然而，由于公共場所中匯流人群的運動隨機性強、目標遮擋嚴重，現有傳統計算機視覺技術較難檢測運動人群的匯流行為，亟需借助新方法尋求突破。

在自然界中，動物的大腦經歷漫長的進化，產生了高度成熟可靠的視覺系統以應對各種視覺挑戰。其中，蝗蟲的視覺系統特別引人注目。蝗蟲視覺神經系統結構簡單，卻能夠高效地感知運動目標，因此受到了學者們的廣泛關注。例如，Hu等人［2～5］基于蝗蟲神經系統的生物啟發構建人工視覺神經網絡模型，用于感知與識別視野域中目標對象的運動模式，模型具有對其產生偏好響應的特定視覺特性；劉倡等人［6］基于哺乳動物視網膜視覺信號處理神經結構，提出了一種用于感知人群局部聚集行為的神經網絡（crowd gathering behavior perception neural network，CGBPNN），該網絡感知時空能量收斂變化以檢測人群的局部聚集；張本康等人［7］提出了一種基于蝗蟲復眼中ON/OFF通路的運動小目標行人檢測神經網絡，所提出的網絡借助人類大腦情景記憶認知機制以實現對運動小目標行人的偏好性響應。上述文獻中提出的仿生視覺模型為解決當前面臨的問題提供了寶貴的啟示。

本文基于蝗蟲視覺系統逐層視覺信息處理的結構特性，借助蝗蟲視葉中的小葉巨型運動檢測（lobula giant movement detector，LGMD）神經元視覺響應特性和哺乳動物視網膜的方向感知機制，構建了一種人群匯流行為檢測神經網絡（crowd convergence behavior detection neural network，CCBDNN）模型與算法。其主要貢獻如下：

a）首次從生物視覺感知機制建模的角度研究了人群匯流行為檢測問題，并構建了一種人群匯流行為檢測神經網絡（CCBDNN）模型與算法。與傳統的計算機視覺模型相比，CCBDNN無須進行模型訓練與光流計算。

b）不同于已有的生物啟發式方向感知模型僅能計算全局視野域的平移運動方向，本文將方向感知機制用于計算局部感受野內的對象平移運動方向。

c）對CCBDNN展開了系統性的實驗測試，證明了模型在人群匯流行為檢測的有效性。

需要指出的是，CCBDNN不同于上文提到的CGBPNN模型［6］。兩者的主要區別如下：a）人群的運動行為模式存在不同，人群的聚集行為往往是指人群向一特定地點運動后密集停留，而人群匯流是指不同運動方向的人流朝著特定方向集中移動的動態行為；b）CGBPNN模型借助LGMD神經元提取局部聚集人群的時空能量收斂特征，難以適用于持續運動的人群匯流行為檢測；c）CCBDNN模型主要提取局部運動方向線索和匯流區域運動量特征，不對視覺場景中的時空能量收斂產生響應。

1 相關工作

1.1 傳統人群行為研究模型

目前，研究人員從傳統的計算機視覺角度構建了人群運動行為的檢測模型，同時也從行人動力學的角度對人群匯流行為進行了物理特征與行為分析，下面分別對其展開介紹。

基于計算機視覺技術的方法主要基于圖像處理技術提取人群的運動光流特征，或借助深度學習等方法開展模型訓練，以實現人群的運動行為檢測。例如：針對人群異常行為檢測，胡學敏等人［8］提出了一種基于深度時空卷積神經網絡的方法，該模型將視頻幀分為若干子區域以獲取靜態圖像的空間特征，再借助遷移學習的方法構建樣本較多的數據集預訓練模型以微調與優化網絡模型，實現了人群的異常行為檢測；高新聞等人［9］將YOLOv3目標檢測模型與基于SORT的多目標跟蹤算法相結合，融合了目標的運動特征與外觀特征，該模型能夠自動識別視頻監控場景中的行人、停車和車輛變道的行為異常情況；Pathade等人［10］提出了一種基于手工與深度特征融合的模型，該模型將光流與密度特征與深度學習網絡提取的特征進行融合，實現了公共場所中的人群聚集與分散行為檢測；Ghorbanpour等人［11］提出了一種基于運動特征點跟蹤的方法，該模型在跟蹤特征點的基礎上自動識別特征點鄰域間的相似性，并對相鄰的特征點進行聚類，最后通過動態閾值檢測運動人群的行為屬性。

行人動力學的人群匯流研究工作主要是基于仿真模型和基于物理模型的兩種研究方法。基于仿真模型的方法需要構建數學模型對行人的運動規則、行為偏好和交互作用等進行描述，然后利用計算機程序將這些數學模型轉換為可執行的仿真模擬環境。例如：Lian等人［1］在不同的道路寬度下研究了行人流的匯流特性，并借助時空圖探討了人群匯流的擁堵傳播速度以及行人速度與位置的關系；Jiang等人［12］探究了特殊角度條件下人群匯流的宏觀和微觀特征，并分析了匯流行為中的主流和支流的行人行為特征。而基于物理模型的方法通常依賴于能夠實時捕捉行人位置坐標和運動軌跡的技術設備，通過這些設備采集的數據可以觀察和分析人群流量變化和匯流區域的擁擠程度等物理特征。例如，Shi等人［13］借助社會力模型模擬了地鐵車站匯流通道中的人群自組織現象，并基于行人的加速超越行為構建了匯流區域的行人運動模型；Jin等人［14］提出了一種新的改進型社會力模型，并引入了偏轉距離作為社會力模型新參數，實現了模擬人群高密度的雙向匯流。

傳統的計算機視覺技術需要計算光流矢量或開展模型訓練，存在著計算資源消耗大、光線敏感、魯棒性低與訓練成本高等問題。基于動力學的研究方法需要離線數據收集和大量的數據資源，難以適用于公共場所中人群匯流行為的檢測和預警。盡管如此，匯流人群的行人動力學研究工作為理解和解決人群匯流檢測問題提供了重要的啟示：在公共場所中，人群匯流行為往往呈現出運動人群多方向匯聚的特征，并且匯流區域存在人群運動的視覺信息量。因此，人群匯流行為檢測問題可轉換為視覺運動線索在運動方向匯聚區域的時空能量感知問題。

1.2 蝗蟲LGMD視覺響應特性

在運動和捕食的過程中，避免碰撞對于蝗蟲的生存來說至關重要［15，16］。研究發現，在蝗蟲的視覺神經系統中，位于視葉第三神經層的高階視覺神經元LGMD神經元，在感知中發揮著重要作用［17］。在危險感知過程中，LGMD神經元會對感受野內逐漸靠近的運動目標展現出強烈的神經響應，這展現了LGMD神經元感知視野域內潛在危險的偏好性響應特性。

在LGMD神經元中，存在著一條負責獲取運動線索的視覺運動感知通路，分別為感光細胞層（retina，R）、神經節細胞層（lamina，L）、外髓細胞層（medulla，M）、小葉細胞層（lobula，Lo）和小葉板細胞層（lobula plate，LP）。在這條通路中，視覺信號在神經通路中逐層處理和傳遞，從而產生特定的視覺線索，以幫助蝗蟲感知危險行為并產生神經尖峰響應。LGMD神經元在蝗蟲大腦中的視覺信號處理主要分為四個步驟，即：a）蝗蟲的復眼負責感知外界環境中的光線變化；b）感知視覺運動量和抑制量；c）整合視覺興奮量和視覺抑制量；d）感知危險行為并產生神經尖峰響應。蝗蟲的視覺神經系統借助視覺信號逐層處理的神經結構，賦予了LGMD神經元感知危險行為的能力。因此，基于上述的視感機制啟發，由于人群匯流區域存在運動量變化，可將人群匯流行為檢測問題表征為匯流區域的運動時空能量神經尖峰響應。

1.3 哺乳動物方向感知機制

在生物視覺系統中，檢測視覺運動方向的神經元無處不在，并且長期以來一直是神經科學領域的研究焦點，這類神經細胞能夠從視網膜上接收到的視覺場景中提取有關物體運動和方向的信息。例如：Tang等人［18］研究發現，在哺乳動物的視網膜中，方向選擇性神經細胞能夠對特定方向的運動產生強烈的反應，而對相反方向的運動則幾乎不產生反應。這種選擇性反應的背后機制主要涉及星突細胞的功能。星突細胞在視網膜中通過橫向抑制作用減少相反方向運動的神經興奮，同時增強對首選方向運動的興奮響應。

基于上述的機制，Yue等人［19］提出了一種方向選擇神經網絡（direction selection neural network，DSNN），DSNN模型內部由四個子神經網絡組成，四個方向選擇子神經網絡能夠對視野域中目標不同的平移運動方向產生偏好性響應。然而，DSNN模型僅適用于感知全局視場中的目標的四個平移運動方向。本研究借助哺乳動物的方向感知機制，在DSNN模型基礎上改進為感知八個平移運動方向，并用于獲取局部感受野內的行人平移運動方向線索，以此感知運動人群的匯流區域。

2 人工視覺神經網絡設計

本文基于蝗蟲視覺系統的結構特性，借助哺乳動物的運動方向感知機制和蝗蟲視葉中LGMD神經元的危險感知機理，設計與實現了一種生物啟發式的行人匯流行為感知神經網絡模型CCBDNN。CCBDNN模型視覺信息加工數據流如圖1所示。視覺信息加工流程包括視頻信號、人流分割、方向提取、匯流感知和尖峰調諧五個模塊。

其中：視頻信號模塊輸入視頻圖像序列，并將其傳入人流分割模塊；人流分割模塊加工處理接受的圖像序列，并提取出人群前景目標，隨后將存在人群的區域進行網格劃分；方向提取模塊借助哺乳動物的方向感知機制提取局部網格內的運動方向線索；匯流感知模塊匯聚各網格的運動方向，以感知運動人群的匯流區域；尖峰調諧模塊借助LGMD神經元的尖峰閾值機制［20］整合調諧人群匯流區域的時空能量信息，向外輸出脈沖信號以表征檢測到的人群匯流行為。

基于上述的信息處理流程，CCBDNN的結構如圖2所示。CCBDNN內部包含五個神經層和九個功能神經元，分別是感光細胞層R、神經節細胞層L、外髓細胞層M、小葉細胞層Lo、小葉板細胞層LP、八個方向選擇神經元（L、LD、D、RD、R、RU、U、LU）和人群匯流行為檢測（crowd convergence behavior detection，CCBD）神經元。CCBDNN模型的R神經層對應于圖1中的視頻信號模塊、L神經層與M神經層對應人流分割模塊、Lo神經層和八個方向選擇神經元對應方向提取模塊、LP神經層對應匯流感知模塊、CCBD神經元對應尖峰調諧模塊。

2.1 R層

R層是由感光細胞構成，其功能在于獲取視野域范圍內的運動人群前景視覺信號。R層每個感光細胞接收視頻圖像對應像素點的亮度值I（x，y，t），然后，這些感光細胞的放電激勵被視為該層的輸出，具體公式如下：

3 實驗與分析

3.1 實驗設置

3.1.1 參數設置

實驗在臺式計算機Windows 11的64位操作系統、2.90 GHz的CPU頻率和RAM/16 GB內存環境下運行，CCBDNN輸入視頻序列幀調整為分辨率640×360像素的8位灰度圖。根據當前實驗經驗和已有的研究［3，5，25］，CCBDNN參數設置如表1所示。

3.1.2 數據集

為測試CCBDNN的性能特性，實驗選用PDDA數據集［26］和PETS2009數據集［27］中的人群匯流場景視頻序列進行實驗有效性驗證。此外，為驗證模型對人群匯流行為模型的偏好響應特性，選用PETS2009、UMN［28］、UCSD Pedestrian［29］和Crowd Violence［30］數據集中非人群匯流行為，即人群活動中的隨機運動、同向運動、聚集行為、逃逸行為、徘徊行為、逆行行為、暴力行為和晃動行為視頻序列進一步挑戰CCBDNN。所使用的視頻數據中，PDDA是由高級模擬研究所建立的一個用于收集、存儲和共享行人行為數據的平臺，其中包含T型路口行人流和十字路口行人流等多個行人流視頻測試數據；PETS2009是在英國雷丁大學拍攝的多視角戶外監控視頻，其中包含了三段人群匯流行為的實驗視頻數據；UMN是用于人體行為識別的公開數據集，包含了多段人群異常行為的測試視頻樣本；UCSD Pedestrian是一個用于評估行人檢測算法性能的標準數據集，其包含來自不同場景和角度的攝像頭拍攝的500個視頻序列，被廣泛應用于計算機視覺領域的研究中；Crowd Violence是從YouTube網站中收集，包含了多段在不受控制的野外條件下制作的人群暴力行為和非暴力行為視頻。這些視頻序列記錄了視覺場景下的諸多不同人群行為活動模式，可用于開展實驗研究工作。

3.1.3 評價指標

為了評估性能，本文采用人群檢測中廣泛使用的評估指標：精確率（precision）、誤檢率（FAR）和查全率（recall）對模型的性能進行定量分析。

其中：TP是正確檢測發生匯流的幀數；FP是檢測錯誤的幀數；FN是漏檢的幀數;TN是正確檢測沒有發生匯流的幀數。精確率和查全率的值越高，誤檢率越低，表示模型的檢測性能越好。

3.2 神經層增益測試

CCBDNN對視覺信號逐層加工處理，以感知視野域中發生的人群匯流運動行為。為驗證模型各神經層的響應輸出，本節對CCBDNN開展神經層增益測試，選用了來自PDDA數據集［26］中的室內T型匯流場景作為測試視頻，如圖3所示。

圖4主要展示了L層、M層、Lo層、方向選擇神經元和LP神經層的膜電位輸出結果。圖4（a）～（d）膜電位結果分別對應于輸入測試視頻的第400幀、800幀、1 000幀和1 400幀。圖4（a）和（b）實驗結果顯示，L層負責提取運動人群的前景目標，而M層則主要接收L層的視覺信號，用于感知存在運動的局部感受野，這兩層共同作用于提取人群運動引發的低階視覺線索。在圖4（c）和（d）輸出結果中，展示了模型提取運動人群高階運動信息的能力。圖4（c）中展示了Lo層和方向神經元負責感知局部感受野內人群目標的平移運動方向，其輸出結果用箭頭展示，箭頭方向表示局部感受野感知的運動方向線索；由圖4（d）的實驗結果可知，LP層主要用于感知運動人群的匯聚區域。

3.3 有效性測試

為驗證CCBDNN檢測視覺場景中人群匯流行為的有效性，本節使用PDDA數據集［26］和PETS2009數據集［27］中的六種不同行人匯流場景的視頻序列進行測試，如圖5所示。該測試視頻序列記錄了運動人群的匯流行為活動在圖5（a）展示的視頻序列中，行人在T型交匯區域從左右兩側向中間運動，匯流后共同向下運動，視頻的第390～1 520幀，人群出現匯流行為；在圖5（b）的視頻序列中，行人在Y型交匯區域從左上方、右上方和下方共同向中間運動，人群的匯流行為出現在視頻的第128～1 720幀；在圖5（c）的視頻序列中，行人在十字路口型交匯區域從左側、右側和上下兩側向視野域中間運動，人群的匯流行為出現在視頻的第345～1 420幀；在圖5（d）的視頻序列中，行人在室外的場景從視野域左下側、右上側和右下側向中間運動，匯合后共同向左上方運動，人群的匯流行為出現在視頻的第30～89幀；在圖5（e）的視頻序列中，在視野域的左側和右側的行人流與來自左下側的行人流匯合后向右上側運動，人群的匯流行為出現在視頻的第33～108幀；在圖5（f）的視頻序列中，左側和右側的行人與道路中間的行人流匯合，人群的匯流行為出現在視頻的第38～108幀。

本節分別展示了CCBDNN的LP層膜電位可視化和CCBD神經元尖峰輸出曲線和有效性測試統計結果，如圖6、7和表2所示。從圖6的膜電位輸出可以看出，CCBDNN能夠定位出人群的匯流區域。圖7表示CCBD神經元的輸出神經尖峰曲線，當檢測到存在人群匯流時，CCBD神經元會產生強烈的神經尖峰響應信號。表2實驗結果表明，CCBDNN在六段測試視頻中的檢測精確率和查全率均為84%以上，證明了模型在人群匯流行為上具備良好的檢測效果。

3.4 人群密度測試

為測試不同的運動人群密度對CCBDNN模型檢測人群匯流行為的影響，本節從PDDA數據集［26］中選取在同一T型路口區域不同人群密度下的行人匯流視頻數據測試模型性能，人群密度分為低、中和高三種等級，如圖8所示。

圖9和10分別展示了CCBDNN模型的LP層膜電位輸出可視化和CCBD神經元輸出的神經尖峰曲線，表3表示CCBDNN模型在人群密度測試實驗中的統計結果。圖10的神經尖峰輸出結合表3中的統計數據，可以觀察到CCBDNN模型在測試視頻中表現出了不同的性能。具體來說，在普通人群密度和高人群密度的測試視頻中，模型的性能表現良好。然而，在低密度人群的測試視頻中，模型的性能下降，原因在于測試視頻中從右上區域往左側區域運動的行人數量非常少，難以構成完整的人群流，導致該測試視頻的視覺場景中并不存在連續的人群匯流運動，如圖8（a）所示。綜上所述，盡管運動人群的匯流密度不同，但CCBDNN仍能對匯流行為產生神經尖峰響應。

3.5 偏好性測試

為驗證CCBDNN只對人群匯流行為產生偏好響應，本節選取了八段不同的非人群匯流運動行為視頻序列對模型偏好性開展測試，八段視頻序列的人群活動行為分別為人群隨機運動、人群同向運動、人群聚集行為、人群逃逸行為、人群徘徊行為、人群逆行行為、人群暴力行為和人群晃動行為，如圖11所示。圖11（a）～（c）的視頻取自數據集PETS 2009［27］。圖11（a）包含426幀，描繪了人群流向四周隨機運動；圖11（b）包含90幀，描繪了人群從視野域的左下方向右上方運動，行人的運動方向相同；圖11（c）的視頻序列包含130幀，展現了人群的聚集行為。圖11（d）（e）的視頻取自數據集UMN［28］，圖10（d）的視頻序列包含40幀，記錄了人群在第1幀開始向四周逃逸，直至視覺場景中沒有運動行人；圖11（e）包含316幀，展現了人群從視頻的第1幀開始在視覺場景中徘徊。圖11（f）的視頻取自UCSD Pedestrian［29］，包含60個視頻序列幀，描繪了部分行人的運動方向與主流人群運動方向相反。圖11（g）、（h）的視頻取自數據集Crowd Violence［30］。圖11（g）的視頻序列包含129幀，記錄了運動人群中發生的多人暴力行為；圖11（h）的視頻序列包含77幀，展現了大量人群從第1幀開始在原地站立并左右晃動，直至視頻結束。

CCBDNN的CCBD神經元輸出曲線如圖12所示。在圖12（a）（b）和圖12（d）～（h）的測試視頻中，模型雖能提取出人群的運動量信息，但各人群局部感受野提取的運動方向線索并不存在多個方向的匯聚區域，導致CCBDNN的LP層不產生興奮響應。在圖12（c）的測試視頻中，人群聚集行為的視覺運動量小，無法激活CCBDNN中的L層感知運動人群的興奮響應，因此人群聚集行為測試視頻在模型中無響應輸出。上述測試視頻均未滿足CCBDNN模型的輸出條件，由此可知，CCBDNN對非人群匯流行為不會產生神經尖峰響應。

3.6 比較實驗分析

目前，并未存在針對人群匯流行為檢測問題的計算模型報道。因此，將CCBDNN模型與基于蝗蟲視覺神經結構的同源模型和人群行為檢測模型進行比較實驗分析，對比實驗模型分別為：a）用于碰撞檢測的人工視覺神經網絡CDNN［31］；b）用于人群逃逸行為檢測的人工視覺神經網絡CEBDNN［4］；c）用于人群聚集行為檢測的人工視覺神經網絡CGBPNN［6］；d）Pathade等人［10］提出的基于手工和深度特征的人群聚集與分散行為檢測模型；e）Ghorbanpour等人［11］提出的基于運動特征點跟蹤的人群行為檢測模型。在橫向的實驗對比中，選用了人群在T型區域匯流的視覺場景，如圖3所示。同時，統計了各對比模型的實驗結果并對同源模型的輸出曲線進行了展示，如表4和圖13所示。

表4給出了六種對比實驗模型的結果統計數據，可以看到，CCBDNN模型與其他五種模型相比，在人群匯流行為檢測上具備較好的性能效果。圖13展示了同源模型CDNN、CEBDNN、CGBPNN和所提出的模型神經尖峰輸出曲線。圖13的輸出結果表明，CDNN對人群匯流行為無輸出響應，因為CDNN只對運動目標逼近時才會產生偏好性響應。CEBDNN模型并未對人群匯流運動產生響應輸出，這是由于CEBDNN模型需要提取人群中突發的視覺運動量，而人群在匯流時并無突發的能量變化。CGBPNN在對人群匯流行為的檢測中存在較多誤檢情況，這是因為CGBPNN模型需要從視野域中提取人群活動引發的時空能量收斂變化特征，但人群在匯流過程中一直處于運動狀態，并不存在時空能量的收斂；然而，在測試視頻中，由于人群匯流導致了一定程度的人群局部聚集，所以CGBPNN模型也產生了部分響應。

4 結束語

本文受生物視腦系統的神經結構與視覺響應特性啟發，提出了一種生物啟發的人群匯流行為檢測神經網絡模型（CCBDNN）。該模型基于蝗蟲神經系統的信號逐層處理結構特性，首先提取人群前景目標用于激活局部感受野；在此之后，借助哺乳動物視網膜的方向感知機制計算激活局部感受野的運動方向；隨后，通過局部運動方向線索感知人群匯流區域；最后，借助LGMD神經元尖峰調諧機制整合人群匯流區域的視覺運動量，以檢測人群中出現的匯流行為。在不同場景下的人群匯流行為視頻序列實驗證明了CCBDNN模型的有效性，且模型具有良好的性能特性。在未來的工作中，將深入挖掘生物視覺神經感知機制，引入最新的生物視感機理以進一步提升模型性能。

參考文獻：

［1］Lian Liping，Mai Xu，Song Weiguo，et al.Characteristics of merging behavior in large crowds［J］.Journal of Statistical Mechanics：Theory and Experiment，2022，2022（1）：013403.

［2］Hu Bin，Yue Shigang，Zhang Zhuhong.A rotational motion perception neural network based on asymmetric spatiotemporal visual information processing［J］.IEEE Trans on Neural Networks and Learning Systems，2017，28（11）：2803-2821.

［3］Hu Bin，Zhang Zhuhong.Bio-plausible visual neural network for spatio-temporally spiral motion perception［J］.Neurocomputing，2018，310：96-114.

［4］Hu Bin，Zhang Zhuhong，Li Lun.LGMD-based visual neural network for detecting crowd escape behavior［C］//Proc of the 5th IEEE International Conference on Cloud Computing and Intelligence Systems.Piscataway，NJ：IEEE Press，2018：772-778.

［5］Hu Bin，Zhang Zhuhong.Bio-inspired visual neural network on spatio-temporal depth rotation perception［J］.Neural Computing and Applications，2021，33（16）：10351-10370.

［6］劉倡，胡濱.生物啟發的人群突發局部聚集感知神經網絡［J］.計算機工程與應用，2022，58（16）：164-174.（Liu Chang，Hu Bin.Bio-inspired neural network for perceiving suddenly localized crowd gathering［J］.Journal of Computer Engineering amp; Applications，2022，58（16）：164-174.）

［7］張本康，胡濱.基于情景記憶的運動小目標行人檢測神經網絡［J］.計算工程與應用，2022，58（15）：169-183.（Zhang Benkang，Hu Bin.Neural network for moving small target pedestrian detection based on episodic memory［J］.Journal of Computer Engineering amp; Applications，2022，58（15）：169-183.）

［8］胡學敏，陳欽，楊麗，等.基于深度時空卷積神經網絡的人群異常行為檢測和定位［J］.計算機應用研究，2020，37（3）：891-895.（Hu Xuemin，Chen Qin，Yang Li，et al.Abnormal crowd behavior detection and localization based on deep spatial-temporal convolutional neural network［J］.Application Research of Computers，2020，37（3）：891-895.）

［9］高新聞，沈卓，許國耀，等.基于多目標跟蹤的交通異常事件檢測［J］.計算機應用研究，2021，38（6）：1879-1883.（Gao Xinwen，Shen Zhuo，Xu Guoyao，et al.Traffic anomaly detection based on multi-target tracking［J］.Application Research of Computers，2021，38（6）：1879-1883.）

［10］Pathade M，Khambete M.Recognition of crowd abnormal activities using fusion of handcrafted and deep features［J］.Indonesian Journal of Electrical Engineering and Computer Science，2022，28（2）：1076-1087.

［11］Ghorbanpour A，Nahvi M.Unsupervised group-based crowd dynamic behavior detection and tracking in online video sequences［J］.Pattern Analysis and Applications，2024，27（2）：1-17.

［12］Jiang Jiajia，Jiang Nan，Li Fan，et al.Experimental study on the cha-racteristics of multimerging pedestrians through macroscopic and microscopic analysis［J］.International Journal of Modern Physics C，2022，33（11）：2250144.

［13］Shi Yihan，Xu Jie，Zhang Hui，et al.Walking model on passenger in merging passage of subway station considering overtaking behavior［J］.Physica A：Statistical Mechanics and Its Applications，2022，585：126436.

［14］Jin Chengjie，Shi Keda，Jiang Rui，et al.Simulation of bi-directional pedestrian flow under high densities using a modified social force model［J］.Chaos，Solitons amp; Fractals，2023，172：113559.

［15］Rind F C.Recent advances in insect vision in a 3D world：looming stimuli and escape behaviour［J］.Current Opinion in Insect Science，2024，63：101180.

［16］Chang Zefang，Fu Qinbing，Chen Hao，et al.A look into feedback neural computation upon collision selectivity［J］.Neural Networks，2023，166：22-37.

［17］Wernitznig S，Rind F C，Zankel A，et al.The complex synaptic pathways onto a looming-detector neuron revealed using serial block-face scanning electron microscopy［J］.Journal of Comparative Neurology，2022，530（2）：518-536.

［18］Tang C，Todo Y，Ji Junkai，et al.A novel motion direction detection mechanism based on dendritic computation of direction-selective ganglion cells［J］.Knowledge-Based Systems，2022，241：108205.

［19］Yue Shigang，Rind F C.Visual motion pattern extraction and fusion for collision detection in complex dynamic scenes［J］.Computer Vision and Image Understanding，2006，104（1）：48-60.

［20］Taherkhani A，Belatreche A，Li Y，et al.A review of learning in biologically plausible spiking neural networks［J］.Neural Networks，2020，122：253-272.

［21］Serres J R，Viollet S.Insect-inspired vision for autonomous vehicles［J］.Current Opinion in Insect Science，2018，30：46-51.

［22］Cheong H S J，Siwanowicz I，Card G M.Multi-regional circuits underlying visually guided decision-making in Drosophila［J］.Current Opinion in Neurobiology，2020，65：77-87.

［23］Khani M H，Gollisch T.Linear and nonlinear chromatic integration in the mouse retina［J］.Nature Communications，2021，12（1）：1-21.

［24］Ezugwu A E，Shukla A K，Agbaje M B，et al.Automatic clustering algorithms：a systematic review and bibliometric analysis of relevant lite-rature［J］.Neural Computing and Applications，2021，33（11）：6247-6306.

［25］Fu Qinbing，Hu Cheng，Liu Tian，et al.Collision selective LGMDs neuron models research benefits from a vision-based autonomous micro robot［C］//Proc of IEEE/RSJ International Conference on Intelligent Robots and Systems.Piscataway，NJ：IEEE Press，2017：3996-4002.

［26］Forschungszentrum Jyulich：pedestrian dynamics data archive［EB/OL］.（2022）［2024-06-23］.http：//ped.fz-juelich.de/da/doku.php.

［27］Ferryman J，Shahrokni A.PETS2009：dataset and challenge［C］//Proc of the 12th IEEE International Workshop on Performance Evaluation of Tracking and Surveillance.Piscataway，NJ：IEEE Press，2009：1-6.

［28］Mehran R，Oyama A，Shah M.Abnormal crowd behavior detection using social force model［C］//Proc of IEEE Conference on Computer Vision and Pattern Recognition.Piscataway，NJ：IEEE Press，2009：935-942.

［29］Chan A B，Vasconcelos N.Modeling，clustering，and segmenting video with mixtures of dynamic textures［J］.IEEE Trans on Pattern Analy-sis and Machine Intelligence，2008，30（5）：909-926.

［30］Hassner T，Itcher Y，Kliper-Gross O.Violent flows：real-time detection of violent crowd behavior［C］//Proc of IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops.Piscataway，NJ：IEEE Press，2012：1-6.

［31］Yue Shigang，Rind F C.Collision detection in complex dynamic scenes using an LGMD-based visual neural network with feature enhancement［J］.IEEE Trans on Neural Networks，2006，17（3）：705-716.