利用建筑物内已有监控摄像头进行人员分区计数具有无需额外布设传感器网络、数据丰富、估计精度高等优点,该方法已成为计算机视觉研究的一个重要领域,而获取建筑物内人员分布对建筑智能控制又有着重要意义,面向建筑节能的室内人员计数研究已成为学术界和工业界的一大研究热点。因此,本文针对不同的应用场景,对建筑物内区域人员数量估计开展了一些研究,设计了两种基于视频监控的室内人员计数方法以及一种基于二项分布的人员计数修正算法。本文研究的内容及成果主要有以下三个方面:首先,针对室内有效区域图像可被获取的场景,基于建筑物室内环境特点,使用了一种基于图像分析的人员计数方法,并针对单帧图像往往无法准确检测图像的人头区域,可能存在被遮挡、误检、漏检等情况,使用了一种基于聚类分析的人数修正方法。该方法首先评估室内环境特点,对ROI(region of interest)区域进行了提取,然后使用级联的Adaboost(adaptive boosting)分类器和卷积神经网络与SVM(support vector machine)分类器对区域内的人头目标进行检测以实现人员计数。针对单帧图像检测中可能存在的漏检、误检问题,提出了一种基于DBSCAN(density-based spatial clustering of applications with noise)算法的人数修正方法。实验结果表明该方法在室内人员计数中具有很好的鲁棒性、准确性与实时性。其次,考虑到基于有限张图像分析的人员计数方法存在的被遮挡、覆盖不全面和某些室内人员所在区域图像缺失等问题,设计并实现了一种基于区域边界人员进出统计的室内人数计数方法。该方法通过在区域边界设置有效的检测区域,采用基于高斯混合模型与背景差分法融合的前景提取算法,使用卡尔曼滤波算法对人员进行跟踪,通过人的重心变化判断人员进出方向,最终实现人数统计。本文在实际监控场景中对该算法进行了验证,准确率能达到90%以上。最后,考虑到基于边界进出的人员计数方法随着时间推移存在的累计误差问题,设计了一种基于误差模型的人员计数修正方法。本文详尽分析了基于边界人员进出统计中累计误差产生的原因与影响,对边界区域中人员移动的特点进行了分析,建立了一种基于二项分布的累计误差模型,通过该误差模型判断传感器统计的人数何时应该进行人数的修正。最后基于该累计误差模型,设计了一种基于误差模型的人数修正方法,结合误差模型判断修正的时间,对统计人数的累计误差进行修正。实验结果表明,相较于简单的通过统计人员进出进行人数计算的方法,使用了本文的计数修正方法后,人员计数的性能有了很大的提升,累计误差修正效果明显。