随着现代社会对安全要求的日益迫切,越来越多的摄像头分布在街头巷尾,如何快速的从海量的监控视频数据中提取有用的信息,对监控现场突发事件做出科学决策和集中处理,引起计算机视觉研究者们的浓厚兴趣。于是智能视频监控系统应运而生,这是一种利用图像序列中运动目标的行为特征对其表现的行为进行识别与分析的技术,它可以赋予计算机类似于人一样的观察和理解动态场景的视觉能力。行人流量自动统计技术是当今世界智能视频监控研究中一个十分活跃的领域,可以被用于公共安全监控、交通管理、商业决策等领域,具有深刻的理论价值和广泛的应用前景。智能视频监控中行人流量自动统计技术研究内容主要涉及到运动行人目标的检测、识别、跟踪以及运动轨迹分析与理解等方面的内容,本文的主要工作如下：1)本文选用混合高斯方法对背景建模,分析并给出了混合高斯方法中关键变量的选择策略,在此基础上对传统的混合高斯方法作出一定的改进,使其能够根据背景的复杂情况动态调整高斯分布个数,在保证检测效果的前提下大大地提高了计算效率、降低了所需的内存空间。2)提出一种基于场景模型和统计学习的行人检测算法。针对训练行人检测器时面临的动态场景的复杂性和行人样本多样性的问题,先通过混合高斯建模建立背景图像,然后从建立的背景图像中提取有限的负样本用于训练,使分类器满足在线训练和更新的要求。根据正样本的加权错误率选择弱分类器,能够快速提高检测率,在训练结束后调整最终分类器的加权系数,在保证检测率的同时能够尽可能的降低虚警率。3)针对Camshift算法在目标互相遮挡时易发生跟踪丢失的缺陷,采用引入Kalman预测和Camshift匹配搜索算法完成跟踪任务。利用Kalman滤波器来获得每帧Camshift算法的起始位置,然后再利用Camshift算法搜索预测位置领域内与目标模板最匹配的目标,利用最匹配的结果作为Kalman的观测值来更新Kalman滤波的状态。当目标出现大比例的遮挡情况时,利用目标位置的Kalman预测替代Camshift算法搜索作用。实验证明本算法可以有效地克服遮挡问题,并且能够达到实时的要求。4)基于上述算法构建了行人流量统计系统,初步实验结果验证了本文提出的相关技术方法,同时给出目前本课题研究中存在的不足,对下一步要研究的主要问题作了一些展望。