场景信息的感知、分析和理解是信息社会智能化发展和实现智慧城市的核心技术,复杂场景中运动行人的检测与跟踪是场景理解的重要内容,在机器人自主导航、自然人机交互、多媒体检索、智能监控等领域具有广泛的应用。移动或可变背景的复杂场景下行人检测存在背景改变、光照和阴影等干扰,以及行人姿态变化、尺度变化、角度变化和遮挡等问题,同时提高行人检测算法的精度、速度和鲁棒性,目前仍是一个富有挑战性的任务。本文在分析总结国内外相关研究的基础上,从行人检测算法、多目标行人跟踪算法和系统功能设计三个方面,研究实现了复杂背景下的客流量统计系统。针对复杂背景下的实时行人检测问题,本文提出一种基于稀疏表示的两级级联快速行人检测算法:从行人边缘信息的角度出发,第一级根据行人直立行走和左右对称的特性,提出竖直方向的边缘对称(V_edge_sym)特征,特征维数仅2维,采用该特征和基于行人先验知识的弱分类器对图像进行多尺度扫描,能快速排除大量非行人区域;第二级采用梯度方向直方图HOG特征和基于LC-KSVD字典学习的稀疏表示分类算法,训练强分类器对可能有行人的区域进行精确检测。实验结果表明本文算法在保证检测精度的同时大大缩短了行人检测的时间,并且对遮挡情况有很好的鲁棒性。在INRIA数据库上每幅图像(640×480)平均用时仅需69ms,对数平均漏检率为38%,较CENTRIST+C4算法和HOG+SVM算法漏检率相对降低了24%和17%,检测速度相对提升了31%和80%。针对多目标跟踪遇到的行人目标形态变化和目标漂移、丢失等问题,本文采用行人跟踪与检测算法相结合的方法,首先通过背景建模确定移动目标区域,然后进行行人检测,对行人目标提取颜色和边缘方向描述子(Color and Edge Directivity Descriptor,CEDD)特征,最后采用最近邻分类法判断目标相似度,实现复杂背景下的多目标行人实时跟踪。使算法可适应目标的基本形态变化,在目标出现尺寸变化、旋转、部分遮挡或短暂消失时,均可稳定精确跟踪目标,提高了系统的鲁棒性。