人流密度检测问题是目前计算机视觉领域的前沿研究方向。在日常生活中,人群聚集往往会带来异常事件和突发事件,依靠人力监控统计人流密度的方法精准度较低、成本高,无法及时发现安全隐患。因此,可以在公共场所安装实时智能视频监控系统,动态观测人流量变化情况,准确的对客流预警,避免事故的发生。本文针对人流密度检测问题,结合“千里眼系统”实际应用,实现系统要求低虚警率、高准确率的实时人流密度检测功能,提出一种基于轮廓分析的人流密度检测算法,克服动态复杂场景与密集人流带来的复杂性问题。本文紧密围绕轮廓分析开展算法设计,主要研究内容包括以下几个方面:为提高轮廓检测的可靠性,本文提出基于混合高斯背景建模的前景边缘检测方法。传统前景边缘检测方法通常先进行前景检测,然后此基础上检测前景边缘。与之不同,本文直接建立边缘背景模型,首先提取视频图像的边缘,然后与混合高斯背景建模方法相结合,对视频图像进行快速有效的前景检测,克服了色彩或灰度背景建模带来的边缘检测不稳定问题。实验结果表明,该方法能够提高系统的鲁棒性,提高前景边缘稳定性和连续性,适应光照条件变化和噪声的影响。为克服图像质量异常带来边缘检测错误及人流检测虚警的问题,本文提出一种基于特征点跟踪的图像质量检测方法。首先提取出图像中的特征点,并对特征点进行跟踪,然后根据特征点的运动特征,构建SVM分类器,对图像质量异常进行识别和分类,实现图像质量检测功能。根据江苏移动苏州研究院提供的测试结果表明,算法能够很好的适用于各种复杂场景下摄像机异常的检测,有效降低了虚警率,且有较高的召回率。针对动态复杂场景与密集人流条件下的人流密度检测问题,本文提出一种基于人体轮廓识别与跟踪的人流密度检测算法。首先对视频图像提取基于前景边缘的人体两侧轮廓特征,然后通过轮廓跟踪,提取轮廓运动特征;在此基础上,实现人体轮廓的可靠检测与识别;最后利用轮廓密度反应人流中行人密度,通过多元线性回归方法,实现人流密度检测。根据江苏移动苏州研究院提供的测试结果表明,本文提出的基于轮廓分析的检测方法,能够实现在动态复杂场景与密集人流条件下的低虚警率、高准确率的人流密度实时检测。本文提出的方法已经在“千里眼平台视频监控智能检测系统”投入实际应用。