排队是人类生活中十分常见的现象，当公共服务不能同时满足多个人的需求时，人们就要进行排队等待。人数估计作为排队现象中最基本、最关键的问题，具有重要的实际应用价值。例如，根据本文提出的方法实现的出租车站排队人数估计系统，可以实时查询车站等待人数，从而合理有效的调配出租车。　　本文采用计算机视觉领域的多种技术，从已有的监控视频或实时视频流中估计排队区域内的人数。解决这个问题的难点在于实际环境下复杂的拍摄视角、目标遮挡以及复杂多变的人体姿态对人数估计的影响。国内外针对人数估计的研究大多基于纹理特征、局部特征或动态特征来估计人数，应用于广场、街道等比较大的场景，视角比较广，人在区域内所占范围较小。而本文关注的排队场景（如车站、银行、超市等）视角较窄，遮挡较为严重，目前的相关研究成果并不多见。　　本文针对排队场景中存在的难点，利用计算机视觉领域的检测、跟踪、背景减除、深度估计等技术，设计并实现了若干个排队人数估计方法。本文的主要贡献如下:　　(1)提出一种基于人脸检测的人数估计方法。对于从侧前方拍摄的队列，采用基于人脸检测的方法来估计人数。本文使用的人脸检测器是基于Haar特征，利用瀑布型分类器来进行检测，并利用基于LAB特征的分类器作为预处理加速检测过程。采用队列分段的方法有效去除遮挡，提高对多变人体姿态的鲁棒性;尝试掩模处理来提高估计方法的速度与精度。　　(2)提出一种基于人体检测的人数估计方法。对于从正前面或背面拍摄的队列，使用基于人体检测的方法来估计人数。本文利用的是HOG特征和级联分类器来训练人体检测器，利用检测结果的颜色信息和时空连续性去除不稳定误检。　　(3)提出一种基于排队区域的人数估计方法。当排队区域比较固定时，可以使用基于排队区域的方法估计人数。把排队区域划分成检测区域、排队区域和非排队区域。利用背景减除和跟踪手段对目标进行跟踪，当其完全进入或离开排队区域后，更新排队人数。　　(4)提出一种基于深度信息的人数估计方法。针对顶部部署摄像头，排队队列比较混乱的情景，本文提出了基于深度信息的人数估计方法。通过Kinect结构光得到深度信息后，利用高度差做阈值处理，对前景中人体轮廓的连通区域进行统计，从而进行人数估计。