众包监控系统的进展：系统方法和自动化算法的综合分析：最新技术
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
通过整合人工智能和机器学习技术，本研究旨在利用现有闭路电视网络对人群管理、犯罪预防和工作场所监控进行综合性处理，开发和实施能够实时分析视频信息的先进算法，实现人群动态识别和评估、潜在犯罪活动的早期发现以及工作环境的持续监控，借助于人工智能和机器学习技术，优化监控能力，提高公共安全措施和组织生产力的水平。这一倡议强调了智能视频分析在现有基础设施上的变革性影响，减少了系统全面改造的需要，显著提升了安全和运营效率。
Nov, 2023
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
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
本文介绍了一种新颖的技术和方法，旨在增强人群管理的规划和运营阶段。该方法包括创新的数据收集技术、数据整合和使用三维数字孪生进行可视化，以及将人工智能工具用于风险识别。该研究引入了 Bowtie 模型，这是一个综合性框架，旨在评估和预测风险水平。该模型将交通流量运营、拥挤程度等客观估计和预测与天气条件、情感和访问者的目的等多种恶化因素相结合，以评估事件预期风险。该框架已应用于 Scheveningen 的 “Crowd Safety Manager” 项目，其中 DigiTwin 基于大量实时数据源进行开发。其中，Resono 是一个值得注意的数据源，提供有关荷兰 200 多万用户的访客数量和移动轨迹的见解。该研究特别关注 Bowtie 的左侧部分，包括状态估计、预测和预测。值得注意的是，该研究侧重于使用 Resono 数据生成多天提前的事件规划预测。使用 XGBoost 框架进行高级机器学习技术的比较，结果显示 XGBoost 具有最准确的预测。研究结果表明，这些预测具有足够的准确性。然而，某些地点可能需要额外的输入数据来进一步提高预测质量。尽管存在这些限制，该研究为更有效的人群管理系统做出了贡献，并为该关键领域的进一步发展开辟了新的途径。
Jul, 2023
利用计算机视觉、贝叶斯学习技术和人群模拟等方法，通过对行人轨迹级别行为学习，实现低至中密度人群视频的实时异常检测。我们在 PETS ARENA 数据集、室内和室外人群视频基准测试中进行了实时演示，并讨论了与监视和我们研究相关的公共政策和执法问题的影响。
Sep, 2018
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