近几年来,随着恐怖暴力事件和人群踩踏事件的增多,大规模人群行为分析成为视频监控领域的研究热点。由于在大规模人群中存在行人严重遮挡的问题,所以基于个体的方法无法有效地对大规模人群进行密度估计与异常事件检测。因此,基于全局特征角度的研究是人群密度与行为分析的有效方法。课题组在前期对基于光流方向特征的人群异常检测算法进行了研究,取得了较好的成果,但是为了更进一步提高视频中的人群密度估计和异常事件检测的准确率,本文在大量实验分析的基础上提出一种新的基于分块的人群密度估计算法,并且对社会力模型进行了研究,实现了基于光流和社会力模型的人群异常事件检测。本文主要工作如下：(1)人群密度特征与回归模型的实验对比。在人群密度估计中,前景分割特征、边缘特征、灰度共生矩阵纹理特征、LBP特征是比较有效的特征,本文设计实验分别在人群稀疏和密集场景下对四种特征进行了比较,并且探索多特征融合的有效性。另外,针对线性回归、PLSA回归、高斯过程回归、随机森林回归模型也在人群稀疏和密集场景下进行了实验比较与分析。实验表明了人群密度估计的准确性与人群密度等级、特征、回归模型都有很大的关系,因此,在不同密度条件下,应该选择不同的特征与回归模型来达到最好的准确率。(2)基于分块的人群密度估计。本文提出一种新的人群密度估计算法,通过对视频帧进行分块,基于不同区域采用不同的特征与回归模型,深入地挖掘不同密度条件下的最好的特征与回归模型,从而更好地进行人群密度估计,克服了单一回归模型带来的局限性。实验表明了基于分块的人群密度估计比单一回归模型的准确率平均提升了5.8%。(3)基于光流法和社会力模型的人群异常事件检测。本文利用光流法进行运动估计,并且采用社会力模型来计算粒子之间的相互作用力从而进行人群的异常事件检测。此方法不依赖于基于个体的行人跟踪,通过全局特征的提取来检测事件,同时适用于行人稀疏场景和密集场景。本文实现的人群密度估计与异常事件检测算法是“事件发现之视觉理解云的计算技术及实用产品”系统的重要组成模块。