随着世界范围内的人口增长和快速城市化，大规模人群聚集活动日益频繁，如何对人群活动进行有效管理和控制成为公共安全中的突出问题智能人群监控技术已经成为智能监控的一个研究热点，采用计算机视觉图像处理和模式识别等技术实现人群场景状态分析和异常事件检测在人群管理方面具有重要的现实意义，是公共场所安全管理的必然需求本文主要对视频监控中人群的密度估计和运动分析算法进行了研究，将人群密度等级和运动状态用作异常检测和事件识别在人群密度估计方面，本文提出一种基于局部二进制模式和灰度共生矩阵相结合的LBP-GLCM纹理分析方法提取前景图像的密度特征，然后应用支持向量机SVM机器学习方法对人群密度等级进行分类人群密度状态分为free ristricted dense和jammed四类，由于采用了基于前景模板的纹理分析方法，避免了背景纹理的干扰，有效提高了密度估计的准确性为了实现局部密度分析和定位，实现局部密度异常检测，本文还提出了将上述密度估计方法与基于滑动窗的图像分块处理方法相结合的局部密度分析方法，实现了局部密度等级的标记和定位本文所提出的人群密度估计算法，适用于整体和全局两种密度分析情况，并且对低中高密度分类都具有较高的准确性在人群运动分析方面，本文采用基于特征点的稀疏光流技术获取运动矢量场，利用自适应混合高斯模型提取的前景像素作为特征点掩膜，从而仅仅获得前景目标特征点的运动矢量为了更准确的定义人群异常，本文采用多统计特征描述方法，提出人群平均动能运动直方图方向熵和相邻帧归一化互信息量三个特征描述算子，表征人群的混乱程度和运动突变对于不同常见人群异常情况均能予以识别，获得了较高的查准率和查全率实验结果表明本文所提出的密度分析和运动分析方法数学模型简单，计算复杂度较低，准确率高，具有很强的鲁棒性和泛化能力，实现对多种异常情况的自动识别，具有重要研究价值