拥挤场景分析：调研
自动化人群监测在计算机视觉领域引起了极大的关注，在过去十年里取得了显著发展。本文探讨了视觉人群分析的六个主要领域，并强调了每个领域的关键进展，同时揭示了未来需要解决的关键问题。通过选择在创新性或性能方面有重大贡献的重要工作，本文以更全面的方式呈现了当前最先进技术的先进性。
Aug, 2023
本文提出了一个新的基于无监督方法的框架，用于处理大规模混杂无序的人群数据，通过学习空间、时间和动态维度之间的相关性并自动结构化数据，从而实现了对场景语义的全面描述，并基于此提出了人群数据可视化、模拟评估和模拟引导等新方法。
Apr, 2020
本篇综述了近年来在人群计数领域中最重要的贡献，通过模型架构、学习方法和评估方法等多方面比较，对人群计数进行了全面系统的综述调查，为初学者们提供了解人群计数研究发展的良好资源。
Sep, 2022
本文主要综述了 2020 至 2022 年发表于主流会议和期刊的人群异常检测算法，并讨论和比较它们的性能和应用场景，发现预训练卷积模型的异质性对于人群视频异常检测性能影响可以忽略不计。未来研究的重点是什么？请读者自行查看文章得出结论。
Oct, 2022
本文介绍了一种利用计算机视觉技术进行高密度场景下人群计数的方法，使用了全卷积人群计数模型来提高计数准确性和稳健性，并设计了数据增强和多尺度平均等技巧来提高模型的适应性和广泛适用性
Dec, 2016
本文提出了一种适应性场景发现框架用于人群计数，该系统包括两个平行通道和一个自适应重校准分支，能够代表高度变化的人群图像并在两个具有挑战性的基准测试中实现了最先进的结果。
Dec, 2018
本文着眼于群体活动的出现可能导致灾难性后果，提出了利用计算机视觉研究群体行为，深入探讨了物理和生物的相通之处和有趣的矛盾，并介绍了该领域的最新研究态势，为读者提供了更广阔的视野。
Nov, 2015
本研究提出两种新方法用于在拥挤和开放环境下进行人群计数，利用多个视图收集的信息，结合使用多个相机。多个相机用于扩大视野并缓解单个相机计数方法常常受到的遮挡的问题。两种方法都能够统计场景中人员的数量而不仅仅是单帧图像或视频帧。在基准 PETS2009 视频数据集上获得的实验结果表明，所提出的间接方法 surpasses 其他方法，提供了拥挤场景的准确计数结果；然而，由于后者需要解决更复杂的问题（如头部分割），因此直接方法表现出较高的误差率。
Apr, 2017
计算机视觉和机器学习在研究员、科学家和大众的感知力方面产生了革命性的转变。本文探讨了计算机视觉在安全监控方面的潜力，并提出了一种新颖的视频运动追踪方法，通过使用动态信息图像和块状主导运动数据将运动分类为弧形、车道、汇合 / 分散和随机 / 块状运动，并研究了不同的光流技术、CNN 模型和机器学习模型。通过取得有希望的准确性达到其目标，结果可以训练异常检测模型，基于运动提供行为洞察，并增强场景理解。
Aug, 2023