在视频监控领域,场景中的行人的检测和行为分析是当前研究的热点,而检测视频监控区域中的运动目标和统计其中的行人数量则是行为分析的前提之一。特别是在智能交通和公共安全领域,由于人工观测的工作量巨大,而且容易因人为因素而造成检测结果的不准确,所以利用计算机视觉和模式识别的技术进行监控场景中的目标检测与分析有着非常重要的意义。然而,现有的行人统计方法大多是基于跟踪或是回归算法,跟踪算法无法解决拥挤人群的检测与统计;回归方法在处理密集人群时表现优异,但在系统实时性上有其局限性。本文不仅介绍了基于背景建模的运动目标检测方法,如高斯混合模型法,减首帧法等,同时还提出了一种单帧的目标检测方法。相比于传统的单帧检测,本文提出的方法更适合于在监控场景中使用。我们提出的目标检测方法在特定的感兴趣区域中进行检测,同时由于特定区域中目标的大小变化不会很大,所以检测用的模板也不需要进行大范围的改变,这对于提高监控系统实时性具有很重要的意义。本文针对基于跟踪的行人计数问题,提出了一种基于步态的目标分析算法,能够较为准确地区分行人与非行人的目标,比如行人所携带的行李箱或其他包裹。该算法采用背景建模的方法分离出运动的前景目标,对于每一个前景目标块,分析其步态特征,根据行人与非行人不同的步态特征,对得到的前景是否为行人进行判别,从而提高基于跟踪的人数统计算法的精度。针对行人统计的实时性问题,本文结合基于跟踪的统计方法与基于回归的统计方法,提出了一种基于时间与空间信息分析的行人统计的方法,以达到处理密集场景和实时性的要求。该算法首先需要获取包含时间与空间信息的时空切片图像,并从时空切片图像的每个前景中提取一个十维的特征向量。根据这一特征向量,时空切片图像中的前景部分由支持向量机进行分类,然后再进行聚类。通过周期性地记录运动目标的时间空间信息,在一个周期的时间内分析时空信息中所含有的行人信息,可以得到该周期内行人的数量,以及每个行人行走的方向。通过周期性地分析行人的行为,可以实现监控系统的实时性。实验结果表明,基于步态的目标分析算法能够很好地区分行人和非行人目标,实时地统计非拥挤场景下的行人数量;基于时间空间信息分析统计方法,能够准确地统计出拥挤场景下行人的数量以及相应的每个行人的运动方向,同时达到监控系统实时性的要求。