社会的机动化发展在方便人们出行的同时也带来了交通拥堵、安全事故频发等问题,而行人正是这些问题的关键因素之一。目前常用的一些关键场景人流量统计方法虽然在实际应用中发挥了一定效果,但还是存在不足,如识别统计精准较低、人力成本过高、系统可靠性较差等等。随着人工智能等新兴技术的不断发展和应用,新的行人检测、跟踪和统计方法不断出现,并在实际工程中得到了应用。本文以顶视角下红外监控为应用背景,以监控区域中的行人为研究对象,对红外人流量统计方法进行研究,针对常用方法中行人识别不准确、人力成本高等问题,提出了一种人流量智能统计方法。该方法采用深度学习技术先对红外图像中的行人进行检测识别,随后对检测的出的行人进行跟踪,最后分析行人运动轨迹得到人流量数据。实验结果表明,本文提出的方法可以精准识别图像中的行人,得到准确的行人运动轨迹,通过分析行人轨迹能有效的完成人流量统计任务。本文的主要工作如下:1.针对行人在红外图像中成像情况和特点,采用了一种基于行人尺寸比例的优化方法,该方法对Faster-RCNN算法中锚点检测窗口的尺寸及比例进行了优化,提升了建议区域质量,还减少了检测窗口数量。实验结果也表明,该优化方法有效的提高了检测的准确性和检测速度。2.针对行人运动时姿势变化问题,提出了一种间接更新目标模板的优化方法,该方法在跟踪准确率低于阈值时,将上一帧的跟踪结果加入到当前帧的跟踪中,提高了SiamFC方法应对行人姿势变化的能力。实验结果表明,该优化方法有效的提高了跟踪的准确性。3.基于以上工作,采用优化后的行人检测和跟踪方法,提出了一种顶视角下红外人流量统计方法。该方法先对红外图像进行行人检测,获取图像中的行人信息,然后逐一跟踪检测出的行人,最后通过分析行人运动轨迹获得人流量数据。并以此为基础结合实际应用需求,设计并实现了顶视角下红外人流量统计系统。实验结果表明,本文的人流量统计方法可以较为准确的获取监控区域一段时间内的人流量数据,具有一定的实际应用价值。