随着时代的发展和城市化进程的加快,人口密度越来越大。许多公众场所人群大量聚集,甚至照成拥挤,这非常容易引发危险事故。所以在这些人流量大的公共场所,对人流实时监控显得很有意义。通过视频图像对人流实时监控,安保人员根据人流密度情况及时调度人力和物力,避免一些社会治安问题的发生。因此对人流密度的估计有重大的现实意义和研究价值。本文主要采用数字图像处理和支持向量回归等相关技术对人流密度进行估计。为减少误差,采用了由人数得到人流密度的方法。人流计数分为直接法和间接法,直接法试图检测出每一个行人,而间接法通过研究图像特征,得出人数。本文采用基于SURF(Speeded Up Robust Features)特征点的间接估计方法,比起直接法,这种方法在人流密度大的地方有更好的效果。本文研究的内容包括:图像预处理、前景检测和特征提取以及支持向量机。图像预处理包括彩色图像的灰度化、图像去噪处理和直方图均衡化等过程,目的是减少无关信息,使图像变得易于处理。其次,特征提取包括目标检测和建立特征向量。在目标检测阶段,将混合高斯模型和五帧差分法相结合,提出了一种新的运动目标检测算法用于行人目标的提取。在特征向量的构建过程中主要研究了SURF特征点的提取、聚类和凸包的求解。采用引入了最小生成树的DBSCAN聚类算法将特征点聚类结束后,所有的行人被分划至不同的簇,然后对每个簇提取特征并构建特征向量。在人流密度估计阶段,根据特征向量及其对应的人数,用支持向量回归机训练出数学模型,该模型可以用来预测图像中的人数,并根据人数将人流密度分类。最后用测试数据对模型进行验证,结果达到了预期效果。