随着我国经济的迅速发展,各种大型建筑、购物休闲场所越来越多,而人群活动也越来越频繁,如何在大型场合中监控人群活动以保证人群的安全性,如何评估建筑内基础设施是否满足顾客需求,如何合理分配调度公共系统资源,成了一个重要的问题。传统低效的出入口人数统计方法已经不能满足现代信息化的需求,所以人数统计系统的自动化和智能化显得十分重要。通过研究分析,本论文同时结合运动目标的检测跟踪技术和人工神经网络的优点来进行人体的识别和计数,避免了传统的运动目标检测中由于没有加入对人体目标的识别,从而对多个距离接近人体运动目标不能同时计数以及对干扰物体进行误计数的问题,也避免了单纯运用人工神经网络由于没有加入对运动目标的跟踪可能对同一个目标重复计数的问题。首先,本文介绍了人数统计系统在国内外的发展现状,分析了常用的人数统计系统的处理流程以及涉及到的关键技术,分析和比较了运动目标的检测和跟踪的常用方法以及图像识别过程中常用的方法。在此基础上,具体研究了出入口人数统计系统的总体设计方案和实现过程,阐述了出入口人数统计系统的各组成模块及其功能,并对系统的运行流程进行了描述。然后,深入研究了图像处理部分的实现,其中重点研究了前景检测模块和目标跟踪模块的原理和实现机制。文中详细阐述了前景检测模块涉及到的技术和算法流程;在目标跟踪模块的实现中,采用的是Mean-Shift跟踪算法和Kalman滤波器预测目标两种方法的结合,提高了跟踪的精度。接着,针对出入口的特点,分析了需要提取的图像特征,然后针对这些特征,研究了基于机器学习的图像识别技术的原理和实现。通过对该项目的分析,最终选择采用误差反向传播(BP)的前馈网络来作为分类器,同时,针对BP算法存在局部极小点,收敛速度慢等缺点,通过采用基于优化理论的Levenberg-Marquardt(LM)算法来改进BP算法。通过实验比较,采用LM训练算法的BP网络收敛的速度确实得到提高,节省了训练的时间。然后,详细描述了分类器的创建的四个阶段。最后对系统的实现情况作了总结和展望。通过实验表明,该系统的识别准确率在98%以上,具有较好的实用价值。