随着城市化进程的推进，大型城市核心区域的人流变得越来越密集，这使得对于密集场所的监控和报警机制的协同建立变得尤为重要。同时，随着近年来监控摄像头的大规模普及以及计算机视觉技术的快速发展，建立自动化的行人统计系统在技术上成为可能，也是城市发展的迫切需求。　　近年来，国际上的诸多学者提出了若干自动化的行人流量统计算法。由于在实际场景中行人流量统计容易受到遮挡、姿态和环境等各种因素的影响，现有的方法主要存在的缺陷包括：无法区分行人的行进方向，需要针对不同的监控场景分别进行专门的相机标定，实时性差。这些缺陷综合导致了实战中的行人统计系统还是以人工为主。本文提出了基于计算机视觉的行人计数方法，针对行人计数的三种不同方式，即一段时间内通过LOI（line of interest）的人数，进出ROI（region of interest）的人数，以及ROI内部的人数，可以区分不同的行人前进方向，不需要针对不同的监控场景分别进行相机标定，具有良好的精确度、鲁棒性和实时性，能够满足视频监控的实际需求，并具备自适应性和可扩展性。　　本文的主要贡献在于：　　?提出一种综合三种行人计数功能的系统框架；　　?针对在监控视频中难以区分行人个体的问题，提出在背景剪除中加入了团块检测模块，将相邻的行人视为整体，使得系统不需要行人分割模块，并降低了算法复杂度；　　?针对目前的人流统计方法需要针对每个监控场景分别进行相机标定的问题，提出时空域校正方法，使系统能够高效适应在不同的监控环境、不同的行人运动状态以及不同的相机部署条件；　　?针对现有方法无法有效区分行人运动方向的问题，引入T V?L1光流法，取得了更好的方向分割效果以及更快的运行速度；　　?由于单个特征无法完整地表征行人团块，提出一套特征系统，其中包括前景像素、边缘、轮廓、梯度方向直方图、纹理、关键点等低层特征，并组成了22维特征向量。实验证明各组特征之间具有互补效应，并且22维的特征组合向量取得了最优的效果；　　?采用SVR+RBF核取代传统线性回归模型，有效拟合了行人计数时由于遮挡和环境变化等因素产生的非线性波动误差。　　实验表明：本系统相比现有的最优方法具有更好的精确性、鲁棒性、伸缩性、可扩展性，以及拥有更低的计算复杂度和更快的运行速度。