随着现代社会的发展,全球人口数量急剧攀升,公共场所安全隐患日益增多。近几年来,不仅在公共场所发生多起踩踏事故,还有多起个人的极端行为发生,给人们的生活带来了极大的伤害。如何及时的发现并处理人群密集场所存在的安全隐患已经成为近几年重要的研究课题。依据对人群特征关注点的不同,现有的密度估计方法大致有两类:基于像素统计的人群密度估计和基于纹理特征的人群密度估计。基于像素统计的方法在高密度人群情况下存在人与人遮挡的情况,因此预测出的人数存在较大的误差。基于纹理特征的方法在计算人群的纹理特征时时间复杂度较大,并且监控区域的人群并非总是维持在一个高密度的情况下,当人群密度发生变化时就可能使得人群的纹理特征不明显。本文首先研究了基于像素统计的人群密度估计方法,先将待研究数据集根据人数的多少划分为低密度、中密度、高密度场景,然后对低密度的人群进行前景提取、像素权重调整、构建统计模型来估计监控区域人数,再进一步利用提取到的轮廓图像构建异常事件检测模型以达到对监控区域的异常事件进行有效检测的目的。针对视频监控中的异常事件检测,目前现有视频异常事件检测的方法主要分为以下两种,包括基于个体目标轨迹检测方法和基于局部的低层次表示的检测方法。基于个体目标轨迹的异常事件检测方法,首先进行视频中单目标行人的检测和跟踪,获取目标的运动轨迹,然后将目标的运动轨迹和已经定义好的异常事件模型进行匹配,进而检测视频中行人的是否存在异常的行为。该方法依赖于目标跟踪获得的运动轨迹,但轨迹跟踪技术仍然不够成熟,不能提供可靠准确的运动轨迹信息,另外异常事件的种类多样定义模糊,目标的运动轨迹难以界定正常事件与异常事件,导致对于监控区域行人异常事件的检测效率和准确性较低。基于局部的低层次特征表示的检测方法,对监控区域行人的正常事件和异常事件分别使用低层次特征进行表示,利用图像中的边缘、角点对视频图像中的事件进行表述,确定是否检测出异常事件,该方法适用于拥挤场景下的异常事件检测,但因其预定义的低层次表示需要手工设计,并且简单的使用边缘、角点特征对异常事件进行描述造成事件描述存在精度不够、表达能力弱等问题。本文提出一种新的异常事件检测的方法,通过提取行人的轮廓,利用本论文定义的特征模板进行特征提取,并输入到基于事件字典的异常事件检测算法中进行行人的异常事件的检测。该方法克服了传统方法中对于异常事件定义的模糊性,对行人异常行为特征的描述不够准确的缺点,能够更加准确地描述行人的特征进而检测出监控区域的异常事件,在实时性方面完全能够满足要求。本文实验环境为Windows8系统,处理器为AMD A8-4500M APU,4G内存,软件环境为Visual Studio 2013和OPENCV环境,选用了PETS2009、UMN、UCSD、BEHAVE Interactions Test Case Scenarios标准数据集,实验证明了本文方法在低密度人群估计时具有较高的精度,在行人异常事件检测部分的准确率有一定程度提升。