1.一种基于卷积神经网络的景区人群行为分析方法，其特征在于，包括步骤1，构建人群密度分类神经网络和人群热度图估计卷积神经网络，所述人群密度分类神经网络使用一个CNN将人群密度分为低密度、中密度和高密度3类，所述人群热度图估计卷积神经网络分为三列，每个不同人群密度类别被送到相应的人群热度图估计卷积神经网络的列中进行训练；

步骤2，结合颜色相似性和DBSCAN聚类算法对采集到的热度图中的人群区域进行分割；

步骤3，计算所述人群区域的相似度；

步骤4，根据所述相似度分析人群行为。

2.如权利要求1所述的基于卷积神经网络的景区人群行为分析方法，其特征在于，所述人群密度分类神经网络包括Conv1和Conv2两个卷积层，其中Conv1采用32个7x7的卷积核，步长为1，进行卷积，接着以2x2大小，步长为2，进行最大池化；Conv2采用64个5x5的卷积核，步长为1，进行卷积，接着以2x2大小，步长为2，进行最大池化。

3.如权利要求2所述的基于卷积神经网络的景区人群行为分析方法，其特征在于，所述所述人群密度分类神经网络的损失函数为：

4.如权利要求1所述的基于卷积神经网络的景区人群行为分析方法，其特征在于，所述人群热度图估计卷积神经网络包括FC1、FC2和FC3三个全连接层，其中FC1全连接层1000神经元；FC2全连接层400神经元；FC3全连接层3个神经元，采用Softmax loss函数作为网络输出的损失。

5.如权利要求4所述的基于卷积神经网络的景区人群行为分析方法，其特征在于，所述人群热度图估计卷积神经网络损失函数为：

6.如权利要求4所述的基于卷积神经网络的景区人群行为分析方法，其特征在于，所述人群热度图估计卷积神经网络使用欧氏距离度量估计热度图与标签图的距离，其中在景区人数较多时，欧式距离计算公式为：当景区人数较少时，欧式距离计算公式为：

7.如权利要求1所述的基于卷积神经网络的景区人群行为分析方法，其特征在于，步骤

2包括步骤：

S21，输入人群热度图D，所述人群热度图D包括背景区域D1和热度区域D2；

S22，将背景区域D1中的像素点视为无效点，并作出相应标记，将热度区域D2中的点标记为未处理点；

S23，搜索热度区域D2中的像素点，将区域中的每一个点进行判断，并归为三类：边界点、核心点、噪点，将每一类的点做好相应标记；

S24，搜索红色的像素点，假如搜索到点p，则从热度图中红色点p开始，判断点p是否同时满足核心点和未处理两个条件，如满足则将p及其邻域内的点，聚类为一个新的热度区域Ci，然后判断p邻域中的点q是否也同时满足以上两个条件，如果满足，则找出q邻域中未处理的点，并将它们全部添加到Ci中；

S25，重复步骤S4，直到D2中所有点都处理完；

S26，在所有已经处理过的点中，对于不满足任何类的条件、不属于任何类的点进行就近处理，即将这些点归到与其他颜色平均值最相似，且在空间位置也接近的热度区域中；

S27，分割出热度图中的所有人群区域Ci；

S28，输出聚类后的人群区域。

8.如权利要求1所述的基于卷积神经网络的景区人群行为分析方法，其特征在于，步骤,3包括步骤：S31，基于区域直方图特征的相似度计算；

S32，基于区域形状特征的相似度计算；

S33，基于区域聚类中心点之间的相似度计算；

S34，基于所述区域直方图特征的相似度、区域形状特征的相似度、区域聚类中心点之间的相似度的综合相似度计算。

9.如权利要求1所述的基于卷积神经网络的景区人群行为分析方法，其特征在于，步骤

4中所述人群行为分为人群扩大、人群消失，和人群滞留。