随着社会的进步,城市化进程的加快,城市人口越来越密集,城市轨道交通经常会迎来短暂的人流高峰。由于城市轨道交通系统具有客流集中、封闭运行的特点,一旦人群高度拥挤会产生各种突发事件,甚至可能造成重大的人员伤亡和财产损失。因此充分利用智能监控系统对人群进行实时监控分析的重要性日益明显。监测场景内的人群密度估计对维护场所安全秩序非常重要的。本文对目前的人群密度估计算法做了进一步的研究,针对城市轨道交通中的应用场景,采用一种基于纹理分析的人群密度估计方法,以此实现对城市轨道交通中的人群密度估计。在人群前景提取方面,通过分析,选择背景差分法来提取城市轨道交通中的人群图像前景,其中采用改进混合高斯模型实现背景建模,改进算法的思想是将不同的分割区域赋予不同的更新率。对得到的前景图像采用中值滤波法进行噪声的消除。为了进一步提高估计的准确度,还需要对透视效应进行矫正。在人群密度特征提取方面,采用基于纹理特征的方法对人群密度进行估计。目前常用灰度共生矩阵实现纹理提取,但这种提取方法的局限性是只利用人群图像的灰度信息。为了修复这个缺陷,提出将灰度共生矩阵和灰度-梯度共生矩阵结合使用的方法,对于灰度共生矩阵选择8个特征量,灰度-梯度的特征量选择其中4个,将其结合成一个12维的特征向量作为后续分类的参数。在密度分类方面,使用支持向量机作为人群密度估计的分类器,通过实验测试研究多项式函数的核函数和惩罚参数C的最佳组合。利用支持向量机把人群分为低密度、中密度、高密度和很高密度四类。并进行实验验证。为了进一步优化,在人群密度估计算法流程上增加了时间序列修正思想。有效减少误报事件,重要的是可以预警人群突然拥挤事件。因此在人群密度估计和预警警报系统中具有重要的应用价值。最后,为了验证本文算法的有效性。选择城市轨道交通的人群视频序列作为实验样本,经过实验可知,实验的准确率明显提高。这说明本文算法效果良好,可应用在城市轨道交通实际场景中。