本文中我们引入了一个新颖且富有挑战性的研究任务,即交互式人群视频生成,主要目标是生成多样且连续的人群视频,并用于缓解群体分析中真实数据集标注困难的问题。这个任务设定是根据用户指定的引导输入（即人群中个体的位置）,在给定少量先前视频帧的情况下,不断迭代生成后续的人群视频帧。为此,我们提出了一个专为人群视频生成所设计的深度神经网络架构,该架构由两个互补的模块组成,两个模块分别对应解决人群动态合成问题和如何保持与先前帧外观一致的问题。具体来讲,本文首先提出了时空转换模块,其根据输入的位置引导和时间信息来推断出人群中个体位置和结构。另外又提出了一个可感知位置点的光流预测模块,基于光流来变换像素位置从而在生成前后保持人群中个体外观的一致性。在这之后,将两个模块的输出通过一个自选择融合单元进行融合,以生成一个保持个体身份一致的连续视频序列。与之前相关工作的不同之处在于,我们的方法能够生成包含连续人群行为的视频序列,并且不需要手动对逐个个体的身份进行匹配。大量的实验表明,本文提出的方法对人群视频生成任务具有很好的有效性。更重要的是,我们证明了用该方法生成的人群视频可以产生出不同的人群行为,并能将其作为一种新的数据增广手段从而用于提升人群分析任务性能,包括但不限于人群计数、异常群体行为检测等。本文的贡献总结如下:1)本文介绍了一项新颖而富有挑战性的任务,即交互式人群视频生成,并探究如何能够为基于视觉的人群分析工作生成出逼真且有效的增广数据。2)本文提出了一个深度网络框架,该框架由特定的对抗生成器、光流预测网路和融合模块组成,以生成符合预期行为的真实人群视频片段。3)本文整合了社会力模型来自动生成人群位置引导图,使得整个交互式人群视频生成系统具有高效性以及对用户友好的特性。此外,本文将人体轨迹预测方法与该生成框架相结合,从而可以预测人群场景中的视频帧。4)本文进行了大量验证实验来评估所提出方法的有效性。此外,将本文方法作为增广训练数据的手段应用于下游的人群分析任务中能够有效的提升现有方法性能。