随着经济社会的发展,人群呈现向大城市聚集的趋势,这导致城市人口越来越密集,再加上近来屡有踩踏事件的发生,所以在宗教仪式、体育赛事、庆典聚会等大型活动时人群的安全问题日渐引起人们的关注。因此,对监控地区的人群密度进行实时的侦测对安保方面的重要性日益明显。如何充分利用智能监控系统对人群进行实时监控分析,这对安防机构如何有效的调配人手来防止因为拥挤而造成踩踏等事故的发生有着十分重要的意义。此外人群密度估计的研究在交通调度、市场调研、建筑设计等方面也具有指导作用。这便使如何利用图像处理技术和计算机视觉技术来解决监控中的人群密度估计问题成为了当前的研究热点之一。本文的研究重点在于智能监控中人群密度估计算法。本文利用基于像素特征和纹理特征相结合的方法进行人群密度估计,此方法能够解决基于像素特征的人群密度估计算法对高密度人群密度估计准确率不高和基于纹理特征的人群密度估计算法对低密度人群密度估计准确率不高的问题。首先通过改进的背景差分算法获取运动前景目标,该算法充分利用了图像各个通道的信息,能够更好的应用于彩色视频当中,较以往的算法能够减少目标在检测时出现断层情形的概率,使得获取的前景目标更加完整,以此提高算法的准确性。最后利用前景所占比例将图像粗略的分为低密度和高密度两种情况。在低密度情形下,由于监控视频中存在透视效应,使得同样的人群在图像不同位置所占的面积不同。本文利用图像前景轮廓来代替前景目标的整体,以此来减弱透视效应的影响。并且提出对图像进行分块的方法,对图像分块后的每个子区域加上权值,以此来进一步提高算法的精度。最后根据轮廓像素比将人群分为很低密度和低密度两种情况。在高密度情形下,利用灰度共生矩阵对图像进行纹理分析。在求取灰度共生矩阵时首先将图像进行区域划分,然后对不同的区域使用不同的像素距离求取图像的纹理特征,使得算法能够更好的减弱透视效应带来的影响。接着通过实验数据获得最佳的灰度共生矩阵参数,以此来使获取的纹理特征能够更好的表达出图像的实际特征,提高算法的精度。最后采用支持向量机对提取的纹理特征进行训练分类,将高密度人群进一步分为中等密度、高密度和很高密度三种情况。最终本文通过实验结果来证明本文方法在人群密度估计方面具有较高的准确性和鲁棒性。