1 本综述内容：
•分析CNN技术为何渗透到人群行为分析领域;
•识别CNN在人群行为分析任务中最先进的表现所面临的各种挑战;
•讨论各种基于cnn的人群行为分析方法。
•概述用于基于cnn的人群分析的各种软件和硬件组件。
•识别用于基于cnn的人群分析的各种公开可用数据集。
•概述人群分析，为什么它是计算机视觉领域的一个重要研究领域?
2 CNN介绍
3 人群分析的动机和重要性
人群分析的几个应用，如人员跟踪、异常检测、行为模式识别]，其中最有趣的是人群计数应用
•低密度方法:这些方法包括，如光流、背景分割技术和目标跟踪策略。这些方法在很大程度上是基于帧模型的运动元素得到的铺装路径的帧用于个体目标检测。其他低密度方法是行人定位方法]。
•中层密度法:在中层密度评价中，模式严重依赖于分类和聚类算法。
•高密度方法:在高密度人群分类方法中，利用动态纹理模型[103]和基于拉格朗日的方法[97]。密度相关技术在人群建模技术中占据主导地位，它们与不同技术和关键字的变化继续推动着人群建模技术的发展。基于应用程序的人群分析调查在[104]中被提到。大多数人群分析活动在计算机视觉监控领域具有重要意义。
意义：人群分析的主要主题是确保公共安全。总的来说，有必要为人群分析开发技术解决方案，以避免由于恐慌、踩踏、恐怖袭击、炸弹爆炸、火灾、骚乱等原因造成的人群拥挤。聚集在寺庙里的人群，尤其是在印度，是人山人海的，寺庙踩踏时有发生。
可以分析的属性：
•人群计数和密度估计
•人群运动检测
•人群跟踪
•人群行为理解
4 本文将基于CNN的人群分析调查分为:人群计数、人群密度估计、人群场景分析和人群异常分析。
4.1 人群计数
4.2 人群密度估计
4.3 人群场景分析
人群场景分析包括群体活动、复杂事件、行人行为、人群定位、人群场景理解和人群视频分类
人群分割是一种将人群从背景中分离出来的有效技术，是研究人群分析的一个非常有趣的领域。
论文：
Ahsan, U., Sun, C., Hays, J., Essa, I.: Complex event recognition from images with few training examples. In: IEEEWinter Confer- ence on Applications of Computer Vision (WACV), Santa Rosa (2017)
Yi, S.: Pedestrian Behavior Modeling and Understanding in Crowds. Thesis, The Chinese University of Hong Kong, Hong Kong (2016)
Cao, L., Zhang, X., Ren, W., Huang, K.: Large scale crowd anal- ysis based on convolutional neural network. Pattern Recognit. 48(10), 3016–3024 (2015)
Shao, J., Loy, C.C., Kang, K., Wang, X.: Slicing convolutional neural network for crowd video understanding. In: IEEE Con- ference on Computer Vision and Pattern Recognition, Las Vegas (2016)
Burney, A., Syed, T.Q.: Crowd video classification using convolu- tional neural networks. In: International Conference on Frontiers of Information Technology (FIT), Islamabad (2016)
Shao, J., Kang, K., Loy, C.C.,Wang, X.: Deeply learned attributes for crowded scene understanding. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (2015)
Alahi, A., Goel, K., Ramanathan, V., Robicquet, A., Fei-Fei, L., Savarese, S.: Social LSTM: human trajectory prediction in crowded spaces. In: Proceedings ofthe IEEEConference onCom- puter Vision and Pattern Recognition, pp. 961–971 (2016)
4.4 人群异常行为分析
4.5 数据库
5 方法比较
6 讨论
挑战：数据、计算能力