人数统计技术是计算机视觉领域中一项基本且关键的应用技术。如今在许多公共场所,都要求视频监控系统具有健壮的人数统计功能。经过多年的研究和发展,目前健壮的人数统计技术大多基于行人检测算法、行人跟踪算法以及人群密度估计算法这三项底层算法。由于人体固有的特性和实际场景的复杂性,目前还没有一个公认的通用、健壮、实时的人数统计算法。这使得人数统计在计算机视觉领域仍是个活跃和具有挑战性的研究方向。基于目前人数统计技术的主流研究方向和面临的主要挑战,本文论述的主要内容为拥挤场景下人数统计的关键技术研究,主要的研究工作包括以下几点:1、对人数统计的几个关键性技术包括行人目标提取、经典行人特征、行人目标决策以及人群密度估计进行了全面的介绍,详细的论述了各种算法的基本原理、运用场景以及算法性能。2、采用背景减除法提取行人目标,并对当前主要的背景建模算法进行了介绍,通过实验对比了这些背景建模算法的建模效果。针对CodeBook背景建模我们提出了基于权重的CodeWord更新淘汰策略,实验结果表明基于权重的CodeWord更新淘汰策略能有效的提高算法的实时性。3、结合了HOG和LBP提取出融合特征进行行人检测,由于融合特征的维度较大,我们通过主成分分析进行降维后送入SVM分类器中进行行人决策,实验结果表明基于HOG和LBP融合特征行人检测能有效提高行人检测的准确率和实时性。4、通过颜色直方图粒子滤波跟踪框架预测行人位置,同时我们采用HOG特征进行行人检测来修正粒子重采样,以此实现了有效的行人跟踪。通过实验对比,表明与传统粒子滤波行人跟踪相比,基于多特征的粒子滤波行人跟踪能有效提高行人跟踪的准确率。