随着经济社会的发展,尤其是我国城市化进程的推进,城市的人口密度越来越大,城市的公共交通、生活设施等经常会迎来短期的人流高峰,人群的高度拥挤若不能得到及时有效疏散容易造成灾祸。除此之外,人群密度的增大也容易导致一些突发人群聚集事件的发生,对城市的治安造成较大的威胁。因此,如何有效的对突发人群聚集事件进行监控,是一个很有研究价值的课题。本文提出了一种对突发人群聚集事件进行监控的方法。首先需要对被监控场景的人群密度特征进行提取,然后计算出被监控场景的人群阻塞率,最后将获取的特征输入到分类器中,由分类器来判断是否发生了突发人群聚集事件。在人群密度特征提取方面,本文首先介绍了人群密度检测的国内外发展现状以及基本理论。通过分析可知,人群密度估中最简单的方法是基于像素统计的密度估计方法,但是它仅仅适用于低密度且没有遮挡现象的场景。对于高密度且有遮挡的场景通常使用基于纹理的分析方法来进行密度估计。但基于纹理分析的方法计算量较大且耗时较长。在突发人群聚集事件发生时,通常是高密度场景,因此本文决定采用基于纹理的分析方法来提取人群密度特征。在提取特征的过程中,需要使用灰度共生矩阵以及其统计特征值如熵、角二阶矩以及对比度等。但是仅仅只有密度特征并不能很好地检测出突发人群聚集事件。因为很多正常情况下也会出现高密度的人群,如上学、上班等等。因此除了使用人群密度特征之外,本文还提出了人群阻塞率的概念来辅助侦测突发人群聚集事件。然后对可能影响阻塞率的参数进行了详细的分析。随后对含有突发人群聚集现象的场景和正常高密度人群场景的人群阻塞率进行了对比,由此证实了该参数的有效性。最后对模式识别中常见的分类方法做了的介绍。其中详细介绍了反向传播神经网络,本文决定采用这种神经网络作为检测突发人群聚集事件的分类器,在讨论了如何构建一个高效的反向传播神经网络之后,本文使用部分样本作为测试集,对反向传播神经网络进行了训练,然后使用反向传播神经网络对剩下的样本进行分类。经过实验证明,本文的方法是有效的。