目前，人们对用于监控所有类型环境的视觉技术非常感兴趣。这可能有许多目标，例如安全性，资源管理或广告。然而，视觉技术的部署总是受到整个社会的怀疑，因为人们认为它可能被用来侵犯个人的隐私权。这种紧张局势在数据挖掘的所有领域都很常见，但由于两个原因，它成为计算机视觉中一个特别严重的问题：
1）隐私受损的感知对于技术来说尤其强烈，这种技术默认情况下会记录人们的行为; 
2）目前基于视觉的监控方法通常基于对象跟踪或图像基元，例如对象轮廓或斑点，这意味着某些尝试“识别”或“
从外行人的角度来看，环境监测存在许多问题，可以在没有明确跟踪个人的情况下解决。这些是通过整体分析环境来收集执行任务所需的所有信息的问题 ：例如，监测交通流量，检测公共空间中的干扰，检测高速公路上的超速，或估计移动人群的大小。根据定义，这些任务基于1）“人群”作为一个整体，或2）个人与人群的“偏离”的属性。在这两种情况下，要完成任务，就应该为人群行为模式建立良好的模型。然后可以将事件检测为这些模式的变化并且可以将异常个体动作检测为关于人群行为的异常值。这将保留个人的身份，直到有充分理由不这样做。
在这项工作中，我们引入了一种新的监控技术配方，这种配方反对个人跟踪，因此保护隐私。我们用行人计数问题来说明这个新的表述。这是视觉技术通过隐私侵入方法解决的问题的典型示例：检测场景中的人，随时间跟踪他们，以及计算轨道的数量。与这些方法不同，我们表明实际上不需要行人检测，物体跟踪或基于对象的图像基元来实现行人计数目标，即使人群规模庞大且不均匀，例如具有不同动态的子组件。事实上，我们认为，在隐私保护监控的约束下考虑，问题实际上似乎变得更加简单。我们简单地开发用于将人群分割成感兴趣的子部分的方法（例如，在不同方向上移动的人群）并且通过分析每个组件的整体属性来估计人数 。这显示出非常稳健和准确。该系统还可以保护隐私，因为 它可以使用不会产生场景中人物视觉记录的硬件来实现，即使用输出低级功能的专用相机（例如分段，边缘和质地）。