生物啟發的運動人群瓶頸效應感知視覺神經網絡

關鍵詞：人群異?；顒臃治觯蝗巳浩款i效應；LGMD；蝗蟲視覺神經系統；神經尖峰響應；智能視頻監控中圖分類號：TP183 文獻標志碼：A 文章編號：1001-3695（2025）08-004-2274-09doi：10.19734/j.issn.1001-3695.2025.01.0015

Bio-inspired visual neural network for perceiving moving crowd bottleneck effect

Lu Xianpeia，b，Hu Bina，b.ct（.StateKeybooub，lofueSeamp;lellceehsUniversity，Guiyang ，China）

Abstract：Thecrowdbotteneck effct inlarge-scaleeventsserves asan important precursortodisasters suchascrowdingand stampedes.However，therearefewstudiesoncomputationalmodelsforcrowdbotleneckeffctdetection.Duetotherandomnessof this efectandthecomplexityof therowdstate，thetraditionalcomputationalmodelsarenotidealfordetection.Toaddressthis issue，this paper proposed a crowdbotteneck efect perceiving visual neuralnetwork（CBEPVNN），drawing onhe neural structure characteristicsofthe locust visual systemand therisk perceiving mechanismoflocustLGMD.The model simulatedthe visualinformationprocesingcharacteristicsoflocustsandmammals，integratedvisualmovementinformationfromumanactivities，andemployed the danger perception mechanism of LGMD neurons to establish a peak threshold mechanism. Thismechanism tuned the neural network output toperceive thebotleneck efect ofmoving crowd invisual scenes.Experimentalresultsdemonstrate that CBEPVNNeffctively perceives the movingcrowdbotteneck effct invideosequences andproduces a strong preference response.This work elucidates the mechanism of crowd dynamic visual information procesing inspiredbybiologicalopticneural mechanisms，providing newideasand methodsforabnormal crowdactivitydetectionandbehavior analysis in intelligent video surveillance.

Key words：analysis of abnormal crowdactivity；crowd botteneck effct;LGMD（lobula giant movement detector）；visual nervous system of locust；neural peak response；intelligent video surveillance

0 引言

Solmaz等人[1]將現實世界中常見的特定人群行為分為瓶頸、源頭、車道、拱門和阻塞五類。其中，瓶頸現象可細分為正常疏散下無擁堵的瓶頸和緊急情況下的運動人群瓶頸效應（簡稱為“人群瓶頸效應”）。具體而言，人群瓶頸效應（crowdbottleneckeffect）是一種特殊的人流瓶頸現象，指在緊急情況下，運動人群通過狹窄空間或通道時局部密度劇增、行人流量銳減的異常現象[2]。在公共場景中，人群瓶頸效應常伴隨擁堵、跌倒等危險，甚至可能引發人群恐慌、踩踏等重大災難事件[3]。研究顯示[4]，若能及時識別異常人群行為或流量，檢測出災難事件初期的人群瓶頸效應，公共安全部門便能及時安排部署消除安全隱患，盡可能降低災難性事件發生的風險。

國內外學者從不同角度對公共場景中的人群瓶頸進行了系統的定性研究[5-7]，并基于這些研究結果和傳統計算機視覺技術提出了相應的瓶頸檢測計算模型 [1，8～12] 。這些計算模型依賴光流法來提取運動特征，在一定程度上解決了人群瓶頸的檢測問題，但存在計算復雜度高、實時性受限和泛化能力弱等不足。此外，光流計算對光照變化較為敏感，在光照迅速變化的環境中，檢測精度極易受影響[13]。因此，現有傳統方法難以有效檢測，亟需尋求新的思路。

自然界經過億萬年的進化，動物的視覺系統已經演化出精密的天然運動檢測機制，這為解決計算機視覺中的科學難題提供了新的思考方向[14]。例如，蝗蟲視覺系統中存在一種危險運動感知機制——小葉巨型運動檢測器（LGMD），它對迅速朝向眼睛運動的物體具有獨特的偏好響應[15，16]。文獻[17]通過模擬蝗蟲感知危險視覺信息的方法成功感知到碰撞信號；文獻[18]基于靈長類動物海馬體皮質錐體（corticalpyramidal，CP）神經元的視覺不變性響應機制，提出運動行人識別的視覺神經網絡；文獻[19]基于蜻蜓對視野中的小目標的選擇性響應機制提出了一種小目標行人檢測神經網絡。上述文獻根據生物視覺系統中視神經元的神經通路和響應特性構建了新型人工視覺神經網絡，成功解決了計算機視覺領域的人群活動動態視覺信息感知難題。

本文通過模擬蝗蟲視覺神經系統逐級處理信息的結構特性以及蝗蟲視葉中的LGMD神經元危險感知機理，構建了一種運動人群瓶頸效應感知視覺神經網絡模型，主要貢獻為：a）原創性地從生物視覺感知機制建模的角度探討了人群瓶頸效應檢測問題，并在原LGMD模型的基礎上構建了一種新型的人工視覺神經網絡CBEPVNN（crowd bottleneck effectperceptionvisualneuralnetwork），實現對公共場景中人群瓶頸效應的檢測和預警;b）與傳統的計算機視覺人群瓶頸檢測模型相比，CBEPVNN能區分擁堵的人群瓶頸效應與正常流通的人群瓶頸，能對更具危害性的擁堵型人群瓶頸效應進行針對性檢測，且無須進行光流計算，計算消耗低。本文從視野域無關性、場景無關性以及偏好性檢測等多個方面驗證了CBEPVNN的性能。

1相關工作

1.1傳統瓶頸檢測方法

近年來，研究人員提出了許多基于計算機視覺的人群瓶頸檢測方法，它們主要利用光流法提取個體的運動特征（例如軌跡、速度、密度等）或群體流動的外形特點（例如群體輪廓、群體軌跡起止點的不對稱性等），通過構建特征描述符或使用機器學習方法對人群行為進行分類，從而實現瓶頸檢測。

具體而言，Solmaz等人[]利用光流法構建了一種基于線性動力系統穩定性的人群行為分類方法，通過提取光流圖像中人群運動粒子的軌跡來確定感興趣區域，利用雅可比矩陣的特征值描述流中各個點的動態穩定性，最后比較動力系統的線性近似與隱含行為的一致性對人群行為進行檢測和分類；Wang等人[8借助高精度變分光流模型計算表征人群運動軌跡的流體力學條紋線，通過軌跡聚類獲取場景中的感興趣區域后進行分析，最后根據不對稱點圖和角度直方圖信息判斷是否存在特定的人群行為； W_u 等人[綜合考慮了運動矢量場的局部特征和全局結構，利用人群運動軌跡的旋度和散度（CDT）描述符來識別五種典型的人群行為（車道、順時針拱門、逆時針拱門、瓶頸和源頭），為瓶頸檢測提供了新的視角和方法論支持。此外， Simon 等人[10]通過識別光流場捕獲中人群運動的特征裝載模式，提出一種基于視頻的瓶頸檢測器。該檢測器利用拉格朗日框架的長期分析分割人群流，通過李亞普諾夫指數（FTLE）場提取運動邊界，進而評估人群運動中的特征積載模式以進行瓶頸檢測；在2022年 Simon 等人[]進一步探討了基于密度和弧長測量的運動分析方法，用于提升瓶頸檢測的準確性；同年他們在另一項研究（文獻[12]）中，利用人群集體性增強了基于拉格朗日框架的瓶頸檢測器性能。這些研究共同推動了瓶頸檢測技術的發展，促進了計算機視覺對復雜人群行為動態的理解。然而，上述方法依賴光流計算和人工特征描述，存在實時性受限和泛化能力弱的不足?；诠饬鞯臋z測模型難以避免計算量大和光照敏感等問題，在實際應用中效果不佳。值得注意的是：

a）除了Simon團隊的研究工作[10-12]以外，大多數研究主要集中在對公共場景中常見幾類人群運動模式的對比識別，絕大程度上是基于概率統計的人群行為分類模型，缺乏對人群行為復雜性的深入分析。雖然這種分類方法在一定程度上能夠識別不同的人群運動模式，但對于動態變化的環境和多樣化的人群行為，其適用性和準確性仍然受到限制。

b）以往的瓶頸檢測方法無法區分正常疏散與緊急情況下的人群瓶頸行為，對于更具危害性的“人群瓶頸效應”，傳統的計算模型針對性不足。

1.2 蝗蟲LGMD危險感知機理

蝗蟲的視覺系統對快速移動物體非常敏感，它能夠迅速捕捉捕食者及其他潛在威脅的視覺信號[15，16]。其神經系統高效處理視覺信息的特性使蝗蟲能迅速反應躲避天敵，這主要依賴其視葉中的LGMD神經元。Rind等人[20]在系統研究蝗蟲碰撞信號識別神經元的過程中，深度剖析了LGMD神經元的視覺機制和響應特性，并在此基礎上首次提出了LGMD神經網絡模型。具體來說[20～22]，蝗蟲LGMD神經網絡模型的視覺信息處理分為以下幾個步驟：a）蝗蟲首先利用復眼獲取光照變化信息，并從中初步捕捉視野域中快速移動物體的視覺信號：b）視覺系統將視覺信號分為興奮和抑制兩部分，抑制信號幫助神經元過濾無關信息，專注于最重要的威脅信號；c）興奮和抑制信號通過突觸相互調諧，形成綜合感知信號后輸出，為提取運動目標的危險行為線索作準備；d）通過整合視覺運動信息，LGMD神經元根據感知到的潛在碰撞行為發出強烈的激勵信號。

迄今為止，基于蝗蟲LGMD的人工視覺神經網絡已成功移植到多種人工視覺系統中，為多種視覺感知任務提供新的靈感與啟發。例如，Yue等人[2]基于LGMD模型設計了汽車碰撞檢測網絡；文獻23對原先具有碰撞預警能力的LGMD模型進行化簡后設計了一款碰撞預警傳感器； Hu 等人[24]基于LGMD提出了一種旋轉運動感知神經網絡，成功解決視覺感知中旋轉運動的檢測問題；文獻[25]為了檢測視覺場景下突發的人群聚集行為，在原LGMD模型的基礎上增加感知視覺能量收斂變化的神經元，提出了CGBPNN神經網絡。大量研究成果已經證明[21～26]，LGMD 對視野域中的危險視覺信號具有獨特的響應特性，且在動態視覺信息處理上具有顯著優勢。因此，借助LGMD危險感知機理對視野域中危險行為的獨特響應特性，將問題的思考方向轉到生物視神經信息處理機制上，以提升人群活動分析與檢測的性能是可行的。

1.3人群瓶頸效應的動力學研究

人群瓶頸效應因其獨特的運動特征吸引了眾多學者研究。對緊急情況下人群瓶頸效應的動力學研究表明[5.6，27]，在不同瓶頸寬度條件下，瓶頸口前的人群活動量均遵循先增強后收斂的獨特變化規律。例如，Li等人[5，6]在對人群瓶頸效應的分析中指出：在速度方面，瓶頸口前的人群速度水平在人群瓶頸效應發生過程中經歷了強烈的先增后減變化。具體過程為：瓶頸效應初期行人起跑速度很快，幾乎自由地通過了瓶頸，導致瓶頸口前的初始人群速度急速變高。由于瓶頸處通行容量的有限性，當越來越多的行人到達瓶頸入口時，擁堵形成，瓶頸口前人群整體速度開始急劇下降，而后保持在相對穩定的水平。人群密度方面也有類似的變化特征，在瓶頸效應初期，由于行人積極性高，期望盡早進入瓶頸，他們緊緊聚集在瓶頸入口周圍，導致瓶頸口前的密度急劇增加；隨著時間推移，人群逐漸消散，密度也隨之降低。人群流量方面，人群通過瓶頸通道初期，隨著人群距瓶頸入口距離的減小，流量（密度與速度的乘積）會迅速增加并出現人群流量峰值，而后又由于擁堵迅速下降。

由上述分析可知，人群瓶頸效應呈現出獨特的動態視覺特征。若借助LGMD在動態視覺信息處理上的顯著優勢對人群活動進行運動線索特征提取，可以極大提升人群活動分析與檢測的性能。此外，公共場景中的人群瓶頸效應常伴隨強烈的人群速度變化以及過高的人群密度水平，使得人群瓶頸效應攜帶著顯著的危險視覺信號，這恰好與LGMD對危險視覺信號具有獨特響應特性的特質契合。

2 人工視覺神經網絡

人群瓶頸效應可引發獨特的時空能量變化視覺效應，具體表現為瓶頸入口前人群密度迅速增大后減小、人流速度先劇增后因通行容量不足而又迅速減小的運動特征，可表征為視野域中視覺運動線索先增強后收斂的時空能量變化[5.7]（關于人群瓶頸效應的視覺特性依據，已在1.3節中詳細闡述）。為感知視覺場景下的運動人群瓶頸效應，本文在蝗蟲視覺系統的神經結構特性[20，22，28]基礎上，構建了針對人群瓶頸效應檢測的加工處理流程（如圖1所示）。處理過程主要涵蓋視覺信號采集、運動信息攝取、活動量變化感知、視信匯聚整合以及尖峰調諧五個模塊。具體來說，視覺信號采集模塊仿照蝗蟲復眼結構從視頻幀中獲取像素點的流明變化，并將其傳到運動信息攝取模塊；運動攝取模塊將視覺信號分為興奮和抑制兩部分，兩者相互調諧后從中初步提取全局視野域人群活動線索；活動量變化感知模塊負責從上層運動線索中進一步提取出人群瓶頸效應獨特的時空能量變化線索；視信匯聚整合模塊將信息進行整合處理，并據此定位出視野域中人群瓶頸效應的空間位置信息；最后，通過尖峰調諧模塊向外輸出脈沖激勵以表征檢測人群活動中的人群瓶頸效應視頻。

根據以上動態視覺信息處理流程，本文提出了一種生物啟發的運動人群瓶頸效應感知視覺神經網絡—CBEPVNN。與原LGMD模型相比，該網絡增加了能夠調諧全局視野域中人群瓶頸效應獨特時空能量變化線索的AC神經元，并在S整合層中引入感受野機制，以增強模型對運動線索的檢測性能。

圖2中，模型輸入為視頻序列圖像幀，將其按照蝗蟲逐級視覺信息加工通路進行處理后，向外輸出表征運動人群瓶頸效應的神經尖峰電位簇。在CBEPVNN中，由上而下與圖1中的各個流程模塊相對應。具體而言，感光層（photoreceptor，P）對應視覺信息采集模塊；抑制層（inhibition，I）和興奮層（excita-tion，E）對應運動信息攝取模塊；先增強后收斂神經元（augment-converge，AC）對應活動量變化感知模塊；整合層（summation，S）對應視信匯聚整合模塊；群瓶頸效應感知神經元CBEP對應輸出端尖峰調諧模塊。

圖2CBEPVNN神經網絡設計框架 Fig.2Design framework of CBEPVNN

CBEPVNN的各層功能為：a）P層負責攝取視野中全局光照流明變化，初步獲取運動目標的視覺信號：b）I層和E層負責運動信息的采集和預處理；c）AC神經元借鑒LGMD危險感知機制，對E層的運動信息進行全局整合，從中提取全局視野中運動人群先增強后收斂的時空能量變化線索，同時激活能夠對人群瓶頸效應作出快速反應的感受野區域;d）S層接收I層和E層的運動信息，并根據一定的權重關系進行信息整合；e）基于AC神經元激活人群瓶頸效應感受野區域，S層對人群活動行為量進行信息加工處理;fCBEP神經元在匯總S層輸出興奮的基礎上，通過興奮閾值調諧向外輸出最終的人群瓶頸效應預警脈沖激勵信號。

2.1 P層

感光層P、抑制層I、興奮層E以及整合層S均由 n_c×n_r 的感光細胞組成， _，nc 和 n_r 決定了整個網絡輸入端的大小。其中，n_c 為輸入幀的像素寬度，即列數； n_r 為輸入幀的像素高度，即行數。P層的主要功能是模仿蝗蟲復眼的功能，獲取相鄰視頻圖像幀間的光照變化信息。通過幀差法獲取表示視覺運動信息的流明變化值。具體而言 ，f 幀時的 P 層細胞 Φ（x，y） 的流明變化值 P_f（x，y） 為

P_f（x，y）=abs（L_f（x，y）-L_f-1（x，y））

其中： ?L_f（x，y） 和 L_f-1（x，y） 分別表示細胞 Φ（x，y） 在第 f 和 f-1 時刻幀的亮度值； ??x（x∈（0，n_c） ）和 y（y∈（0，n_r） ）為細胞的列、行坐標。 P_f（x，y） 由式（2）處理獲得 。

其中： T_p 是細胞膜電位的約束系數。

2.21層

為增強人群活動的視覺運動線索，需要對I層的信息接收時刻進行延遲處理。遵循原LGMD中神經層I的信息接收機制，各個細胞以一幀的時間延遲接收來自E層的輸出興奮，則f 時刻幀I層細胞 （x，y） 的輸出興奮可表示為

2.3 E層

神經層E負責接收來自 P 層的興奮和I層的抑制信號，并按一定權重對兩種視覺信息進行整合以調諧視覺信號的信噪比，為后續提取動態視覺運動線索作準備。E層細胞 （x，y） 的膜電位信息由式（4）處理。

其中： W_I 和 W_p 分別為限制來自I層和E層激發強度的比例權重； ω_c 為卷積掩碼，代表領域細胞對其中心細胞的影響程度，將其簡化定義為

隨后，利用哺乳動物雙層中心環繞機制[29]調諧細胞的輸出，以消除視覺信號中的孤立噪聲。具體而言，首先對細胞產生的興奮進行閾值篩選，只有當中心環繞半徑內細胞產生的興奮達到一定強度且達到一定數量時，細胞 （x，y） 才能向下一層輸出興奮膜電位。為更好地過濾噪聲，此處設置了兩組參數對E層信號進行兩次過濾。第一次過濾時，令 V_f（x，y） 為

則E層細胞 （x，y） 的輸出興奮和 由式（7）計算。

其中： T_c 是細胞強度閾值； r_ω 是中心環繞半徑； T_r 是中心環繞激勵細胞數量。進行第二次孤立噪聲過濾時，計算公式同式（6）（7），參數 T_c，T_r，r_ω 調整為 T_c^′，T_r^′，r_ω^′ 。

為增強人群活動行為量的變化趨勢，E層以間隔 k 幀的方式向AC神經元和S整合層傳輸對應位置的細胞，記為 y） ，如式（8）所示。

其中 為抽幀后的新序號 。

2.4 AC神經元

AC神經元負責匯聚E層的輸出興奮，通過分析人群活動引發的全局運動量視覺信息，從中提取人群運動視覺行為量的全局增強后收斂的變化線索，并激活運動人群瓶頸效應的局部感受野區域。具體而言，神經元AC首先接收E層所有細胞的興奮以獲取全局時空域人群活動量，記為 ，如式（9）所示。

其中： 為第 時刻幀E層匯聚到AC神經元的視覺信號。為突出視覺信號的變化趨勢，對 進行平滑處理：

其中 ： t為平滑幀步長。將全局運動量信息做如下處理，以攝取運動全局人群活動量變化線索。首先進行全局活動量遞增檢查：

其中： s_-T 和 T_-E 分別表示全局人群活動量增強和收斂的持續強度； T_t 和 T_e 分別代表各自的持續強度閾值。當感知到人群活動量從持續增強到逐漸收斂的變化時，標記出現活動量峰值的時刻幀為關鍵幀 f^* 。 S_-T 和 T_-E 經過進一步處理后，AC神經元向外輸出神經興奮膜電位 s_-ε ：

將關鍵幀 f^* 中產生興奮的細胞密度中心區域激活為主感受野區域 （x_p，y_p，W_p，H_p） ，并賦予相對全局視野域而言更高的權重比例。其中， x_p、y_p、W_p、H_p 分別表示主感受野區域的左上角行列坐標、區域寬度以及高度；主感受野區域的外圍興奮較弱的區域標記為副感受野區域 （x_a，y_a，W_a，H_a） ，相應地賦予其較弱的權重比例。其中， 分別表示副感受野區域的左上角行列坐標、區域寬度以及高度。當 s_-ε 不為0時，表示AC神經元已初步感知到人群活動量先增強后迅速收斂的視覺線索，并成功激活人群活動量異常變化的感受野區域

2.5 S層

S層分別接收來自E層對應位置細胞興奮輸出以及AC神經元的輸出信號，即

其中： 為匯人S層神經元 （x，y） 的視覺信號。接著依據主、副感受野中的細胞膜電位調節S層神經元各個細胞 （x，y） 的輸出信號。具體而言，通過主、副感受野不對稱的權重比例整合視覺信號，從中獲取感受野中人群活動引發的時空運動量視覺信息，進而取出人群運動視覺行為量中先劇增后收斂的變化線索。 由式（15）處理得 ：

其中： W_pi 和 W_aux 分別表示主、副感受野的權重比例； Area_pri（x） 和 Area_aux（x，y） 分別為主、副感受野區域內所有細胞的位置信息的集合。

經過式（14）（15）處理后，S層的細胞在第 時刻幀的輸出興奮中便攜帶著視野域中人群瓶頸效應的位置信息。若此刻細胞 （x，y） 興奮值大于0，則表示該區域周圍發生運動人群瓶頸效應。記S層歷史輸入幀中的人群時空活動量最大值和最小值為 S_max 和 S_min ，初值分別為0和1000，更新公式為

2.6 CBEP神經元

作為神經網絡的輸出端，CBEP神經元負責接收整合層S細胞的興奮膜電位，對其加工處理后向外輸出脈沖激勵。匯入CBEP神經元的視覺信號 可表示為

對 進行歸一化處理：

此時 。若 ，則在第 時刻幀產生一個神經尖峰，表示為

當連續輸入的幀中出現持續的尖峰且在這 n_spi 幀中持續感知到人群活動量先增強后收斂變化線索時 由下式處理：

其中： s_-T1 和 分別表示局部人群活動量增強和收斂的持續強度; T^′_t 和 T^′ 各自代表增強的和收斂的持續強度閾值。 s_- T1 和 T_-E1 由式（22）（23）可得。

CBEP神經元的輸出興奮，即整個CBEPVNN向外輸出的放電激勵 為

其中 ?：μ^Γ 是激勵幅值； 時表示CBEPVNN成功檢測到視野域中的人群瓶頸效應并向外輸出強烈的尖峰響應信號。

2.7神經網絡算法與復雜度分析

2.7.1 神經網絡算法算法CBEPVNN算法描述輸入：視頻幀 L_f°

輸出：CBEP神經元的輸出膜電位PSpike

a）CBEPVNN的參數設置：視頻序列幀的分辨率 n_c×n_r P 層細胞膜電位的約束系數 T_p ，P層興奮權值 W_P ，I層興奮權值 W_I ，E層細胞強度閾值 T_c ，中心環繞激勵細胞數量 T_r ，人群活動量持續強度閾值 T_t 、T_e，T_t^′，T_e^′ ，中心環繞半徑 r_ω ，抽幀系數 k ，平滑幀步長 χ_t ，感受野興奮權值 W_pri?W_aux ，感受野區域參數 Area_pri（x，y） （204 、Area_aux（x，y） ，連續尖峰計數閾值 n_spi ，CBEP神經元預警激勵賦值 μ

b）依據式（1）（2）計算 f 時刻P層的亮度變化值 c）依據式（3）獲取I層細胞的延遲興奮 I_f（x，y） ：

d）依據式 （4）～（7） 將P層和I層的興奮整合獲得E層的運動行為線索 ，通過式（8）增強人群瓶頸效應線索；

e）依據式（9）～（13），AC神經元整合運動行為線索并分別轉換為全局時空運動量先增強后收斂的運動變化線索，最后輸出興奮 s_-E

f）依據式（14）（15），S層細胞將E層細胞和AC神經元的輸出信號整合獲得時空能量變化線索 ，并通過式（16）（17）記錄S層歷史輸入幀中的人群運動量最大值和最小值；

Π_g^g） 依據式（18）～（24），CBEP神經元整合所有的時空能量變化線索，輸出膜電位興奮rSpike；

h）依據CBEPVNN的尖峰輸出信號判斷是否檢測到人群瓶頸效應；

i）當輸入幀全部遍歷完成時停止進程，否則返回步驟b）。

2.7.2計算復雜度分析

由上述算法描述可知，CBEPVNN的計算復雜度主要依賴于信息處理過程中的具體操作。令 N=n_c×n_r 為CBEPVNN輸人幀的像素總數，CBEPVNN在 f 幀時刻的計算復雜度分析如下：

感光層P一共執行3N次操作，其中包含 N 次加減運算 Ω，N 次絕對值運算以及 N 次條件判斷；抑制層I只有賦值運算，不計入總操作數中；興奮層E一共進行 （4r_ω²+23）N 次操作，分別為 （4r_ω²+8）N 次加減運算、12N次乘除運算、以及 3N 次條件判斷；AC神經元的總操作數在不同情況下有所不同，需要執行N 次加減運算 Ω_，t 次乘除運算以及5～7次條件判斷；整合層S一共執行 N+W_a×H_a+2 次乘法運算 W_a×H_a+1 次加減運算以及3次條件判斷（其中包含2次最值操作）；網絡輸出端CBEP神經元進行 N+n_spi+14 次操作，其中包含 N+n_spi+3 次加減運算、1次乘除運算、1次冪運算、8次條件判斷以及1次三角函數運算。由上述統計數據可知，CBEPVNN在 f 幀中一共需要執行的計算操作數數量為

sum=（4r_ω²+29）N+2×W_a×H_a+n_spi+t+m

其中： m∈{35，36，37} 。由式（25）可知，CBEPVNN計算復雜度受多個參數影響，由于 r_ω，W_a，H_a，n_spi，t 均為常數，故該算法的計算復雜度為

O=O（n）

由式（26）可知，CBEPVNN的計算復雜度與輸入幀分辨率N 成正比。若想進一步提高模型的計算性能，可嘗試適當縮小圖像幀的分辨率來實現。

3 實驗研究

3.1 數據集

為有效驗證CBEPVNN的性能，所有實驗的測試視頻均來自公共數據集，主要包括AGORASET[30]、PETS2010[31]]UMN[32]以及收錄在行人動力學數據檔案（pedestriandynamicsdataarchive，下文簡稱為“數據檔案”，https：//ped.fz-juelich.de/da/doku.php）中的部分數據集[27，33～37]。除 AGORASET是由計算機渲染生成的模擬視頻之外，其余視頻均是在實驗室環境下拍攝的真實場景，它們分別描述了幾種常見的人流模式。其中，AGORASET模擬了人群行為活動中的人群瓶頸效應；PETS2010涵蓋了真實監控場景中的突發人群聚集行為：UMN記錄了草坪、大廳和廣場三個公共場景下人群的逃逸行為；數據檔案中收錄了眾多描述人群活動模式的視頻數據，包括人群瓶頸、人群雙向流、人群單向流以及 90^° 交叉口處的行人流等。

實驗首先使用AGORASET和數據檔案中的人群瓶頸效應相關數據驗證CBEPVNN的有效性；接著，在PETS2O10、UMN以及其他非人群瓶頸效應數據集（源自數據檔案）中CBEPVNN對其他人流模式的偏好響應；最后通過開展對比實驗，以驗證CBEPVNN在人群瓶頸效應檢測任務中的優良性能。為更好地展示視頻序列中的人群活動變化，本文在各個實驗中展示了相關視頻的部分關鍵圖像幀，并在圖示下方標記出對應的幀序號。

3.2實驗環境設置

實驗在配置 CPU2500MHz，RAM16GB 的Windows11計算機上進行。程序代碼使用 C++ 編寫，并在VisualStudio2013平臺上實現。輸入到神經網絡的視頻圖像幀均被處理成8bit灰度圖像，分辨率調整為 128×96 像素。CBEPVNN的參數設置如表1所示。實驗評估過程中，人群瓶頸效應的檢測被視為逐幀二進制分類問題，采用人群行為檢測任務中廣泛使用的評估指標：真陽性（TP）、假陽性（FP）、真陰性（TN）、假陰性（FN）誤報率（FAR）、漏報率（MAR）以及準確率（accuracy）。實驗結果除了展示表征神經網絡對人群瓶頸效應檢測的神經尖峰響應結果之外，還額外補充了S神經層細胞的膜電位可視化結果圖，以顯示人群瓶頸效應在視野域中的空間位置信息。

表1CBEPVNN參數設置Tab.1CBEPVNN’sparameter settings

Tab.2 Test results of simulation scene

3.3 實驗分析

3.3.1 有效性測試

1）模擬場景測試

AGORASET[30]利用計算機技術完整地再現了公共場景下人群從閑散慢走到加速逃往瓶頸通道，引發人群瓶頸效應的過程，可利用其正上方監控視角下的人群瓶頸效應視頻對CBEPV神經網絡的有效性進行檢測。視頻采樣幀如圖3所示。視頻I中包括526幀圖像，幀率為 30fps 。視頻中，首批行人在第100幀時高速到達瓶頸口，由于通道狹窄導致通行容量驟減，行人速度急速下降并在瓶頸口前迅速堆積，開始產生人群瓶頸效應。隨著瓶頸前的人群密度逐漸增大，在第130幀后，通過瓶頸的人群開始達到穩定的擁堵狀態，瓶頸效應消失。

Fig.3Sample frames of simulation scene

CBEPVNN模擬場景的有效性測試結果如表2、圖4和5所示。從表2可以看出，CBEPVNN對模擬視頻中的運動人群瓶頸效應檢測準確率接近 99% ，且誤報率和漏報率均小于2% ；從圖4的CBEPVNN神經層S的膜電位可視化結果可以可以較為直觀看出在第 100～130 幀人群瓶頸效應發生的空間位置信息；圖5呈現了CBEP神經元輸出神經尖峰曲線，在第106～130幀CBEP神經元檢測到人群瓶頸效應，并輸出強烈的尖峰響應信號。以上模擬場景的實驗結果表明，CBEPVNN能有效檢測出視野域中的運動人群瓶頸效應。當人群加速逃往瓶頸口并被迫降速的行為轉變發生時，CBEP神經元輸出強烈的興奮響應，直至通過瓶頸的人群達到穩定的擁堵狀態，瓶頸效應消失。

表2模擬場景測試結果

圖4模擬場景下S層細胞興奮值可視化

2）真實場景測試真實場景測試使用數據檔案發布的幾個公開瓶頸數據集來驗證CBEPVNN的有效性，這些數據集展示了在實驗室環境下，不同的瓶頸大小、不同的社會因素條件下人群通過瓶頸的場景。其中，視頻Ⅱ～V幀率均為25fps，視頻IX幀率為16fps。如圖6（a）～（c）的視頻幀均取自同一監控場景下的視頻序列，區別在于人群瓶頸效應分別發生在視野域上、中、下三個區域。視頻 I～N 均在第40幀開始發生瓶頸效應，在第68幀達到穩定的擁堵狀態；圖6所示的8個視頻Ⅱ～IX中展示了6個不同真實場景下的運動人群瓶頸效應。視頻 V～X 的人群分別在第110、40、130、110、40幀開始在瓶頸口收攏降速，并分別在第130、60、150、150、80幀結束人群瓶頸效應。

圖6真實場景測試采樣幀 Fig.6Real scene test sampling frames

表3和圖7、8展示了CBEPVNN在真實場景下的有效性測試結果。由表3的統計數據可知，CBEPVNN具有良好的場景無關性，即在多種真實的監控視覺場景中均能有效檢測人群瓶頸效應；圖7中CBEPVNN的S層細胞興奮膜電位可視化結果表明，該網絡能有效感知不同場景下視野域中出現的人群瓶頸效應區域；從圖8CBEP神經元的膜電位曲線可以看出，groundtruth與尖峰強烈響應區間大致吻合。此外，對比視頻I～N 的實驗結果（見表3和圖8）不難發現，CBEPVNN能有效檢測到發生在視野域上、中、下不同區域的人群瓶頸效應，并能大致標記出人群瓶頸效應發生的空間位置信息（見圖7）。由此看出，CBEPVNN還具有優越的視野域無關性。

基于模擬視頻和真實場景視頻，從場景無關性和視野域無關性兩個維度對CBEPVNN的有效性進行檢驗表明，CBEPVNN能夠在各種視覺場景中有效感知視野域中的運動人群瓶頸效應，符合LGMD神經元的危險感知視覺響應特性。

表3真實場景有效性測試統計結果

Tab.3Statistical results of validity test inreal scene

圖7真實場景下S層細胞興奮值可視化 'ig.7Visualization of S-layer cell excitation value in real scene

圖8真實場景有效性測試中CBEP輸出曲線

3.3.2偏好性響應測試

為驗證CBEPVNN對視覺場景下各種人群流動行為模式的偏好響應特性，使用六種非人群瓶頸效應的人流行為視頻序列挑戰神經網絡，包括單向人流行為、雙向人流行為 、90° 十字交叉口處行人匯流 .120^° 三叉口處行人匯流、人群聚集行為以及人群逃逸行為。偏好性測試視頻示例幀如圖9所示。

圖9（a）～（d）所示的視頻取自數據檔案發布的4個公開數據集。其中，圖9（a）中的視頻包含2142幀圖像，展示了監控場景中單向流人群[36]；圖9（b）中的視頻包含1995幀圖像，再現了單通道中雙向流動的人群[37]；圖9（c）（d）中的視頻分別由1386幀、1139幀圖像組成，分別記錄了人群在 90^° 十字交叉口處以及 120^° 三叉口處的交匯流動狀況[37]。此外，圖9（e）的視頻取自PETS2010數據集，包括188幀圖像，記錄了人群從四周向視野域中部聚集收攏的過程；圖9（f）的視頻取自UMN數據集，包括597幀圖像，描繪了草坪上人群的逃逸活動。

經過實驗驗證CBEPVNN對上述六種非人群瓶頸效應的人群流動行為模式均無響應輸出。這是由于人群瓶頸效應可引發獨特的時空能量變化視覺效應，CBEPVNN本質上是通過感知這種能量變化來達到檢測的目的。由于上述六種人群流動并不具備人群瓶頸效應獨特的視覺運動線索，無法觸發CBEPVNN輸出興奮的條件。

圖9偏好性測試采樣幀 Fig.9Bias test sample frames

3.3.3 對比分析

本節使用傳統瓶頸效應檢測計算模型參與對比實驗，以挑戰CBEPVNN的檢測優越性；同時進行LGMD同源計算模型對比實驗以證明同源模型并不具備檢測人群瓶頸效應的能力。

1）人群瓶頸檢測模型對比目前，針對人群瓶頸檢測問題的計算模型極少。據調查，只有 Simon 團隊報道過三篇人群瓶頸針對性檢測任務成果[10-12]，相關的大多數工作屬于基于概率統計的人群行為分類模型，在檢測人群瓶頸時缺乏一定的針對性。在進行橫向對比實驗時，除了選取針對性研究瓶頸檢測的模型進行比較[10～12]外，主要補充的是人群異常行為檢測領域內的最新方法[38～40]。

Simon團隊提出的三個人群瓶頸檢測模型均基于光流和拉格朗日動力學分析，區別在于：文獻[10]主要利用分割人群流來評估人群運動中的特征裝載模式；文獻［11]則通過人群密度和弧長對人群活動進行分析；文獻[12]在文獻［11]的基礎上引入人群集體性增強了檢測性能。所選取的領域內對比模型有：a）Luo等人[38]提出的通過多尺度運動一致性學習進行人群異常行為檢測模型;b）Ghorbanpour等人[39]提出的基于運動特征點跟蹤的人群行為檢測模型;c） Wu 等人[40]提出的基于卷積神經網絡和異常收斂場景分析方法的人群場景中異常行為識別模型。實驗過程中選取圖10中展示的4個公開數據集（對應3.3.1節的視頻I、IX、II、V）進行對比實驗，使用準確率（accuracy）作為評價指標。對比實驗結果如表4所示。

圖10對比實驗數據集示例

Fig.10Experimental dataset examples for comparison

表4為對比實驗結果。從表4可以看出，無論傳統的人群瓶頸檢測計算模型還是人群異常行為檢測領域內的最新方法，CBEPVNN在 AGORASET、Bottleneck、Bottlenecks amp; S.Groups以及BottleneckCaserne四個數據集中的檢測準確率均最高。這是由于CBEPVNN將人群動力學與生物視神經機理相結合，深人研究了運動人群瓶頸效應的本質。換句話說，CBEPVNN的優越檢測性能得益于多重交叉學科的知識融合。人群動力學領域對人群瓶頸效應的系統性研究成果揭示了該視覺效應的本質特征——運動人群引發的時空能量先增加后收斂的視覺變化線索；在此基礎上，借鑒生物學中動物視覺系統中的蝗蟲LGMD危險感知神經響應特性提取運動線索；最后以計算機視覺技術為橋梁，實現對人群瓶頸效應的高效檢測。

表4對比實驗結果Tab.4Comparative experimental results /9

2）LGMD同源計算模型根據LGMD神經元的神經通路和響應特性構建的同源神經網絡可以分為碰撞檢測模型CDNN[2I]、平移方向感知模型DSNN[41]以及視覺場景中突發人群逃逸行為檢測模型CEBDNN[26]三類。其中，CDNN對汽車碰撞具有強烈的偏好性響應；DSNN適用于獲取平移運動物體的方向信息；CEBDNN適用于人群逃逸行為檢測。本文選取上述同源模型與CBEPVNN進行對比實驗。測試視頻見3.3.1節的視頻Ⅲ。

LGMD同源計算模型對比實驗結果如表5、圖11所示。實驗結果表明，基于LGMD的三種同源計算模型均無法檢測人群活動中的人群瓶頸效應。從圖11（a）（c）可以看出，CDNN和CEBDNN對運動人群引發的人群瓶頸效應無響應。對碰撞檢測模型CDNN來說，它僅對朝向眼睛運動的物體產生響應；CEBDNN也只能感知視覺場景中的逃逸行為，而對運動人群瓶頸視覺效應保持緘默。圖11（b）的實驗結果表明，雖然DSNN對測試視頻中的人群瓶頸效應在四個方向上產生的運動線索產生響應，但它對人群瓶頸效應這一視覺效應并無偏好響應。從表5的統計結果來看，雖然LGMD碰撞檢測模型與CEBDNN對人群瓶頸效應的檢測準確率達到 94.9% ，但兩者的漏報率均達到 100% 。

表5LGMD同源模型對比實驗結果

Tab.5LGMD homologous model compared experimental results

上述對比實驗結果分析表明，LGMD碰撞檢測模型CDNN、DSNN以及CEBDNN均無法感知視野域中運動人群瓶頸效應獨特的人群活動時空運動量變化線索。綜合考慮誤報率FAR、漏報率MAR以及準確率accuracy三項指標，本文CBEPV神經網絡對人群瓶頸效應的檢測性能最優。

圖11三種LGMD同源模型檢測結果

Fig.11Detection results of three LGMD homologousmodels

4結束語

本文受生物神經視覺信息處理機制與視覺響應特性的啟發，探討了公共場景中運動人群瓶頸效應的檢測問題，提出了一種生物啟發的人工視覺神經網絡模型。該模型模仿蝗蟲視覺系統的逐級處理信息的神經結構特性，首先提取人群活動視覺信息：接著根據蝗蟲LGMD神經元與哺乳動物視覺信息處理機制整合視覺信號，提取出人群瓶頸效應獨特的先增強后收斂的人群活動量變化視覺線索，并激活運動人群瓶頸效應感受野；最后基于LGMD神經元調諧感受野區域內的人群活動量，以檢測視野域中出現的運動人群瓶頸效應。在不同場景下的人群瓶頸效應公共視頻序列（例如 Bottlenecksamp; S.Groups、Bottlenecks、PETS2010等）證明了CBEPVNN的有效性；通過偏好性測試和對比實驗驗證了模型具有良好的性能。未來將在此基礎上不斷深入運動人群效應的研究，通過借鑒更新更精密的生物機理提升CBEPVNN的檢測性能，以求更好攻克復雜動態視覺場景中的人群活動檢測的科學難題。

參考文獻：

[1]SolmazB，MooreBE，ShahM.Identifyingbehaviors in crowd scenes usingstabilityanalysisfordynamical systems[J].IEEETranson PatternAnalysisandMachineIntelligence，2012，34（10）：2064-2070.

[2]JiangNan，YangLizhong，YuenRKK，etal.Modelingthepedestrianflowbeforebottleneckthroughlearning-based method[J]. IEEETranson Intelligent Transportation Systems，2023，24 （7）：7035-7047.

[3]ShiXiaomeng，Ye Zhirui，ShiwakotiN，etal.Examiningeffect ofarchitectural adjustment on pedestrian crowd flow atbottleneck [J]. Physica A：Statistical Mechanicsand ItsApplications，2019， 522：350-364.

[4]徐濤，田崇陽，劉才華．基于深度學習的人群異常行為檢測綜述 [J]．計算機科學，2021，48（9）：125-134.（Xu Tao，Tian Chongyang，Liu Caihua.Deeplearningforabnormal crowdbehavior detection：areview[J].ComputerScience，2021，48（9）：125-134.）

[5]LiHongliu，Zhang Jun，SongWeiguo，etal.Evacuationcharacteristics ofstudents passing through bottlenecks[M]//Zuriguel I，Garcimartin A，Cruz R. Trafic and Granular Flow. Cham：Springer， 2020：159-164.

[6]LiHongliu，Zhang Jun，SongWeiguo，et al.A comparative study on thebottleneck pedestrian flow under different movement motivations [J]．FireSafetyJournal，2021，120：103014.

[7]Garcimartin A，ParisiDR，PastorJM，etal.Flowofpedestrians through narrow doors with different competitiveness[J].Journal of Statistical Mechanics：Theory and Experiment，2016，2016 （4）：043402.

[8]Wang Xiaofei，He Zishu，Sun Rui，et al.A crowd behavior identification method combining the streakline with the high-accurate variational optical flowmodel[J].IEEEAccess，2019，7：114572-114581.

[9]Wu Shuang， Yang Hua， Zheng Shibao，et al. Crowd behavior analysis via curl and divergence of motion trajectories[J]. International Journal of ComputerVision，2017，123（3）：499-519.

[10] Simon M，Kuchold M，Senst T，et al.Video-based botleneck detection utilizing Lagrangian dynamics in crowded scenes[C]//Proc of the16th IEEE International Conference on Advanced Video and Signal Based Surveillance.Piscataway，NJ：IEEE Press，2O19：1-8.

[11] Simon M，Bochinski E，Kuchold M，et al.Bottleneck detection in crowded video scenes utilizing Lagrangian motion analysis via density and arc length measures[C]//Procof IEEE International Conference on Multimedia and Expo Workshops.Piscataway，NJ：IEEE Press，2022：1-6.

[12] Simon M，Bochinski E，Kuchhold M，et al.Utilizing crowd colectiveness to enhance bottleneck detection based on the Lagrangian framework[C]//Proc of the 18th IEEE International Conference on Advanced Video and Signal Based Surveillance.Piscataway，NJ： IEEE Press，2022：1-8.

[13]Shah S TH，Xiang Xuezhi. Traditional and modern strategies foroptical flow：an investigation [J]. SN Applied Sciences，2021，3（3）：289.

[14]KokVJ，LimMK，ChanCS.Crowdbehavior analysis：a reviewwhere physics meetsbiology[J].Neurocomputing，2016，177：342-362.

[15]Zhu Ying，DewellR B，Wang Hongxia，et al.Pre-synaptic muscarinic excitation enhances the discrimination of looming stimuli in acollisiondetection neuron [J].Cell Reports，2018，23（8）： 2365-2378.

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

[17]Yue Shigang，Rind FC. A colision detection system for a mobile robot inspired by the locust visual system[C]//Proc of IEEE International Conference on Roboticsand Automation.Piscataway，NJ： IEEE Press，2005：3832-3837.

[18］于世海，胡濱．生物啟發的運動行人視覺不變性響應神經網絡 [J/OL]．計算機科學．（2024-09-13）．htps：//link.cnki.net/ urlid/50.1075.TP.20240913.0915.006.（Yu Shihai，Hu Bin.Bioinspired neural network with visual invariant response to moving pedestrian[J/OL].Computer Science.（2024-09-13）． https：// link.cnki.net/urlid/50.1075.TP.20240913.0915.0063.）

［19］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]．計算機工程與應用，2022，58（15）：169-183.（Zhang Benkang，Hu Bin.Neural network for moving small target pedestrian detection based on episodic memory[J].Computer Engineering and Applications，2022，58（15）：169-183.）

[20]RindFC，BramwellD1.Neural network basedonthe input organization of an identified neuron signaling impending collsion [J].Journal of Neurophysiology，1996，75（3）：967-985.

[21]Yue Shigang，RindFC.Collsion detetion 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.

[22]Hu Bin，Zhang Zhuhong.Bio-inspired visualneural network on spatiotemporal depth rotation perception [J]. Neural Computing and Applications，2021，33（16）：10351-10370.

[23］張國鵬，張春．基于生物視覺的碰撞預警傳感器［J]．傳感器與 微系統，2016，35（3）：70-73．（ZhangGuopeng，Zhang Chun. Collision warning sensor based on biological vision[J].Transducer and Microsystem Technologies，2016，35（3）：70-73.）

[24]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.

[25］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]. Computer Engineering and Applications， 2022，58（16）： 164-174. ）

[26]Hu Bin，Zhang Zhuhong，LiLun.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.

[27]Adrian J，Seyfried A，Sieben A.Crowds in front of bottlenecksat entrances from the perspective of physics and social psychology[J].Journal of the Royal Society，Interface，2020，17（165）： 20190871.

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

[29]Henaff OJ，Bai Y，CharltonJA，etal.Primary visual cortex straightens natural video trajectories[J].Nature Communications， 2021，12（1）：5982.

[30]Allain P，Courty N，Corpetti T.AGORASET：a dataset for crowd video analysis[EB/OL]. （2013-11-14）.htps：//hal.science/hal00904216.

[31]Ferryman J，Euis A.PETS201O：dataset and challenge[C]// Proc of the 7th IEEE International Conference on Advanced Video and Signal Based Surveillance.Piscataway，NJ： IEEE Press，2010：143- 150.

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

[33] von Kruichten C，Muller F，Svachiy A，et al.Empirical study of the influence of social groups in evacuation scenarios[M]// Knoop V， Daamen W. Traffic and Granular Flow.Cham：Springer，2016：65- 72.

[34]Seyfried A，Passon O， Steffen B，et al.New insights into pedestrian flow through bottlenecks[J]．Transportation Science，2009，43 （3）： 395-406.

[35]Geoerg P，Schumann J，Holl S，et al. The influence of wheelchair users on movement in a bottleneck and a corridor[J]．Journal of Advanced Transportation，2019，2019（1）：9717208.

[36]Zhang Jun，Klingsch W，Schadschneider A，et al.Transitions inpedestrian fundamental diagrams of straight corridors and T-junctions [J].Journal of Statistical Mechanics：Theory and Experiment， 2011，2011（6）：P06004.

[37]Cao Shuchao，Seyfried A，Zhang Jun，et al.Fundamental diagrams for multidirectional pedestrian flows[J].Journal of Statistical Mechanics：Theoryand Experiment，2017，3（3）：033404.

[38]Luo Linbo，LiYuanjing，Yin Haiyan，etal.Crowd-level abnormal behavior detection via multi-scale motion consistency learning[C]// Proc of AAAI Conference on Artificial Intellgence.Palo Alto，CA： AAAI Press，2023：8984-8992.

[39] 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）： 55.

[40]Wu Yangkai，Qiu Luhua，Wang Jinming，et al. The use of convolutional neural networks for abnormal behavior recognition in crowd scenes[J]. Information Processing amp; Management，2025，62 （1）：103880.

[41]Yue Shigang，Rind F C. A synthetic vision system using directionally selective motion detectors torecognize collsion[J].Artificial Life， 2007.13（2）：93-122.

收稿日期：2025-01-22；修回日期：2025-03-17 基金項目：國家自然科學基金資助項目（62066006）；貴州省自然科學基金資助項目（黔科合基礎[2020]1Y261）

作者簡介：陸顯佩（1999—），女（布依族），貴州平塘人，碩士，CCF會員，主要研究方向為計算機視覺、人工智能；胡濱（1977—），男（通信作者），貴州都勻人，教授，博導，博士，CCF高級會員，主要研究方向為計算智能、神經計算、計算機視覺、人工智能（""gzu. edu. cn） .