随着社会各界安防意识的加强,监控摄像头的安装需求越来越大,导致监控视频数据急剧增加,仅靠人力进行人流量监测难以及时有效地处理视频数据。基于计算机视觉的人流量统计是智能视频监控系统的关键技术之一,可以有效降低成本提高视频处理效率,但由于外界环境的复杂性和行人运动过程的不确定性,仍存在行人漏检、误检和重复跟踪等问题,直接影响最终的人流量统计结果。针对以上不足,本文的主要研究内容包括:1.针对复杂环境中由于行人间相互遮挡导致检测准确率低的问题,考虑到行人头部与行人是一一对应关系,且头部在行人运动过程中不易被遮挡,提出基于聚类与Faster RCNN的行人头部检测算法。设计一种新的距离度量方法并结合k-means++算法对已标注检测框进行聚类,以确定anchor大小与长宽比;优化NMS算法惩罚函数剔除无效预测框,改善行人之间由于遮挡导致的召回率低的问题。仿真实验表明算法可有效提升检测精度,在两个数据集上的最高AP值分别为90.2%和87.7%。2.针对多目标跟踪过程中行人消失重现后出现的身份转换问题,提出基于交并比与颜色相似度的行人跟踪算法,在基于交并比关联匹配算法的基础上,引入颜色相似度并为消失行人创建临时队列,综合目标之间的外观相似度和位置信息完成行人再匹配。仿真实验结果表明,该算法有效改善了行人因短暂消失而出现的身份多次转换问题,提升了算法的多目标跟踪性能。3.针对人流量计数算法在双向人流量统计中准确率低的问题,提出基于跟踪轨迹的双向人流跨线计数算法。根据应用场景预设一条感兴趣线,在行人跟踪基础上对每个跟踪轨迹的运动方向及位置进行分析,引入向量叉乘法评估行人是否越过预设感兴趣线以统计不同运动方向的人数。仿真实验结果表明,该算法可一定程度上提高双向行人计数的准确率。