人群疏散是一个涉及公共安全的重要问题。近些年,伴随着社会经济的发展,城市化进程不断推进。城市中良好的生活条件和就业机会,吸引了大量的外部人口到城市工作和生活,这使得城市人口迅速增长。为了为城市中的生活和工作的人提供更多的居住和生活的空间,越来越多的大型建筑物开始出现在城市之中。这些大型建筑为城市中人口的居住和生活提供了活动空间,但是其内部容纳的大量人口隐藏着巨大的安全风险。当紧急情况发生时,如何对内部的人群进行科学且高效的疏散成为一个必须要重视和解决的问题。人群疏散的相关研究起源于20世纪70年代左右,到今天已有近50年的研究历史,然而人群疏散算法多集中与探究最优路径,其在实际应用中,缺少行人、环境等真实信息,使得许多优秀的算法难以进行应用。在人群运动建模研究方向,有许多的学者为了提高建模仿真性能,提出了许多基于数据驱动人群运动模型,然而,仍然面临真实的人群运动数据缺乏以及行人运动信息提取复杂等问题,且由于缺少真实场景的人群疏散数据,人群运动仿真建模的评价存在缺少对比数据的问题。针对上述问题,我们提出了一种基于单目视觉的行人信息获取方法,并将其与疏散算法进行了结合。本文主要工作及创新点如下:(1)提出了一种基于单目视觉的行人定位方法。我们在本文中提出了一种目标检测与相机标定相结合的行人定位方法,我们的方法首先通过目标检测算法对图像中的行人进行检测,并得到其像素坐标,相机标定部分则通过张氏标定法,建立像素坐标与世界坐标转换关系。最后我们将目标检测所获取的行人像素坐标通过坐标转换关系,将其转化为其世界坐标,实现行人的定位。(2)对sort多目标跟踪算法进行了优化。文中主要从两方面对目标跟踪算法进行了改进。1、基于行人运动非线性特性,优化状态预测算法,通过使用无迹卡尔曼滤波替换卡尔曼滤波算法提高行人状态预测的精准度。2、改进sort中匈牙利匹配算法的匹配方法,在基于距离的匹配上加入运动变化差异值匹配,在观测静态距离的基础上,考虑了行人动态的信息之间的相似性,从而提高匹配的精准性。(3)提出了一种基于聚类和可调整计数域的行人计数方法。该方法通过聚类和调整计数域提高行人计数的精度,该方法将趋于聚合的行人看作一个整体,通过聚类方法将距离小于一定阈值的行人聚类为一个簇,并记录聚合的行人个数,当一群人经过一出口时,只需要根据簇的聚合人数,对人流进行计数,而无需对遮挡部分的行人进行高精度检测。使用可调整计数域可以有效避免因为拥堵而无法观测行人穿越计数线的情况。通过以上两方法可以有效提高行人流计数的精度。在文章的最后,我们将真实数据与疏散算法进行了结合,实验结果表明本文提出行人定位方法可以通过日常监控所获取的图像实现图像中行人的定位,且不影响监控的正常使用,获得的行人信息具有较好的精度,且行人数据可很好的与路径规划算法结合,对于解决真实场景中人群疏散问题具有重要意义。