每逢假期、节日或大型活动,公众场所的人流量激增。为有效避免群体性活动中意外事故的发生,智能监控技术已被广泛应用于车站、机场、地铁及大型的购物中心等场所。人流量检测是智能监控中的一个重要应用,能为公共场所的管理提供重要的数据。在实际的应用场景中,该技术仍面临着许多挑战。例如,行人之间的遮挡、行人行走轨迹的随机性和监控视频的低分辨率都将影响检测的精度。人流量检测处理的对象是视频数据,本文构建了一个完整的人流量检测的计算过程包括行人检测、行人跟踪和行人计数三个步骤。首先通过行人检测判断视频中每帧图片的行人;其次应用行人跟踪判定视频中行人的运动轨迹;最后在行人计数部分完成视频中的人流量检测。考虑到在进行行人检测时图片的低分辨率以及行人之间的遮挡会导致行人的漏检,并影响最终人流量检测的精度。本文选择由卷积神经网络构成的SSD(Single Shot Multi Box Detector)模型来进行行人检测,由于卷积神经网络可提取更深层次的行人特征,因此在低分辨率的情况下可提高检测出行人的精度。对人数较多的公共场所,行人之间相互遮挡的情况时常发生,针对遮挡问题,改进SSD模型中原有的损失函数,通过构建新的惩罚函数当一个行人的预测框向其它行人靠近或者向其它行人的预测框靠近时进行处理,使不同行人之间的预测框相互远离,有效减少由于遮挡所产生的行人漏检情况的发生,并在City Persons和Crowd Human两个数据集中验证了该改进方案的有效性。在行人跟踪模块处理部分,使用SORT(Simple Online and Realtime Tracking)跟踪算法,该算法可以满足多目标跟踪的需求,而且速度较快,能够达到实时处理视频的效果。在行人计数处理部分,常见的行人计数方案在十字路口场景中由于来自各个方向的行人都有,情况相比单行道更复杂,因此容易产生更多误差。针对这一情况设计了‘窗口式’的行人计数方案,通过采集不同公共场所下的行人视频进行测试,最终证明了该行人计数方案相对其他方案有更高的准确率和稳定性。