近年来,随着我国城镇化进程的快速发展,各大城市的人口密度也日益上升。与此同时,城市地铁作为一种方便快捷的出行方式,成为大多数市民出行的重要选择。在出行高峰时期,部分地铁站内的人群变得异常拥挤,不仅会影响人们的出行,而且给行人的公共安全带来了巨大的隐患,因此基于视频监控的地铁站行人安全风险防控和应急处置体系的建设已受到各地的高度重视。在此背景下,本论文针对地铁站监控视频,通过识别监控视频中人群个体,提取其行走路径和速度,为后续研究分析出行人异常运动的阈值提供精确的数据依据,从而实现对人群个体异常运动的监测和预警。具体而言,首先通过HOG-SVM算法针对地铁站场景中的行人样本提取特征并进行分类训练,得到地铁站场景中行人的特征模型,从而进行行人识别。然后通过Mean-shift算法对识别出的行人进行跟踪,从而得到行人的行为数据。在跟踪的过程中会出现由于行人以及障碍物的遮挡使行人跟踪失败的情况。针对于这一问题,本论文提出通过卡尔曼滤波器算法预测行人相邻两帧间的坐标位置计算行人真实坐标位置的方法,解决因为遮挡而无法持续跟踪行人的问题。在计算行人速度的过程中,需要提取出行人每一帧的路径坐标,但由于监控摄像头在监控的过程中会出现摄像点的偏移情况,所以直接使用二维像素坐标计算行人的速度就会出现很大的偏差。针对这种情况本论文将航天摄影测量中的单相片空间后方交会方程进行改进以适用于地铁站场景。在建立三维坐标系后,通过改进后的空间后方交会方程将行人路径的二维像素坐标转换为空间三维立体坐标,从而消除由于摄像头自身因素导致的像点偏移问题,计算出更加精确的行人路径和瞬时速度。最后,本论文利用上述技术和算法对武汉光谷广场地铁站监控视频中的行人路径及速度进行提取分析,分析结果证明了本论文提出的相关技术和算法的可行性。