人流统计在交通、商业等方面有着广泛的应用，随着计算机视觉技术的发展与成熟成为一个研究热点。基于计算机视觉的人流统计方法具有场景获取方便、检测范围大、易与监控系统融合等优点。针对人流密度较大的场景，本文提出了一种基于Haar和HOG的实时人流统计算法，主要围绕人流统计的准确率和实时性两个问题展开研究。论文的主要内容如下:　　1、本文设计了一种基于Haar特征和Hog特征的人头检测分类器结构。(1)利用Haar特征分类器检测速率快的特点，进行一级检测快速获得行人头部候选区域;(2)再利用Hog特征分类器检测准确率高的特点，检测头部候选区域，避免了直接运用Hog特征分类器检测速度慢的缺点，满足系统统计实时性的要求。同时Haar特征与Hog特征的融合，降低了误检率，保证了行人统计的可靠性;　　2、在运用Adaboost算法训练Haar特征人头分类器时，对传统的Adaboost算法进行了改进。在Adaboost的训练过程中对分类错误的样本进行进一步的划分，将我们的关注点更集中在被漏检的正样本之上，降低了Haar特征分类器的漏检率，保证了整体的检测率;　　3、提出了一种时空相关分析算法对检测出的人体头部进行快速跟踪和计数。作者利用聚类的思想，为检测出来的人体头部创建人头模型，根据模型间的时空相关特性、形状特征、颜色特征等，实现行人的跟踪与统计。