在经济快速发展和社会保障体系不断健全的推动下,各行各业对于区域内人数统计和分析有着越来越多的需求,在安防设施监控方面,可以保护国家和企业信息财产安全;在资源分配调度方面,可以优化公共设施建设,节约资源;在人身财产保障方面,可以避免人群密度过高导致的安全隐患。基于计算机视觉的区域人数统计算法为人数统计需求提供了可行的解决方案,它主要通过提取图像内行人特征,根据特征判断行人数量。然而,当前大多数人数统计算法无法在精度、实时性和泛化性方面取得均衡的结果,往往伴随着精度和泛化性的提高,实时性能急剧下降,难以满足实际场景的应用需求。针对该问题,本文提出了目标检测结合跟踪的人数统计策略,提升算法精度、效率和多场景的泛化能力。论文主要工作和贡献如下:(1)论文结合国内外人数统计和目标检测领域的发展近况,详细分析了当前人数统计算法的主要实现方法和存在的问题,采取行人头肩目标检测结合多目标跟踪的人数统计策略。头肩检测基于SSD检测算法,跟踪基于SORT多目标跟踪算法,在跟踪后提取行人头肩跟踪轨迹,根据轨迹数量确定人数;(2)优化头肩检测特征提取网络结构。快速下降特征图尺寸,提高图像特征提取效率。然后,充分利用Inception结构对不同层特征进行特征融合,在提升特征语义性的同时尽可能的保留图像特征的细节信息。此外,利用膨胀卷积增大感受野而不增加计算量的特性,提升目标相关联的感受野,使得头肩检测可以充分利用行人的上下文特征信息,辅助提升困难头肩目标的分类性能;(3)优化训练过程中先验框与真实框的匹配策略。匹配策略直接影响每个真实框匹配到的先验框的数量和质量,从而影响检测结果的召回率和分类精度。改进匹配策略,在保障先验框质量的同时,增加小目标匹配到的先验框数量,可以大幅提升小目标的召回率;(4)优化分类和回归损失函数。改进互斥损失函数,缓解遮挡情况下检测结果被NMS抑制的情况;利用focal loss损失函数加强困难样本的特征表达能力,提升分类性能;(5)针对视频解码受干扰情况下,SORT算法目标跟踪丢失的问题,采取IoU匹配跟踪与SORT相结合的方式提升跟踪算法的泛化性能。论文收集了头肩数据集对算法各模块进行实验验证,对比实验表明了算法各模块的有效性,算法在精度、速度和泛化性方面均达到先进水平。