随着计算机的普及和计算机视觉技术的不断发展，智能视频图像处理在公共场所的应用已经从前期的理论研究拓展到实际的公共安全和公共服务中，这些公共场所有学校教学楼、大型食堂、城市广场、大型旅馆和购物商场超市等等。对于监视敏感区域来检测可疑事件、商场超市的顾客行为分析、对交通路口和公交站点的监控以及对年老体弱人群的监视都是这个方面的应用，这就要求这个系统能够自动识别行人及其他的目标对象。采用数字图像处理技术对特定视频运动目标的识别在智能视频监控、计算机视觉方面有着广泛的应用前景，也一直是该领域的研究热点。行人统计一直以来都是计算机视觉和智能视频监控领域的重要研究内容，通过它可以实时统计监控视频中每帧图像的行人数量，但是由于遮挡、阴影和光照变化使得构建一个实时、准确的人数统计算法变得异常困难。目前已经提出了许多算法，总体来说，现有算法对于人数较少的稀疏场景的统计已经达到了相当高的精度，但是对于更有研究价值的密集人群场景，还没有一种算法能够在精度和实时性两方面同时取得非常好的效果。本文首先介绍了视频监控中行人统计的背景和研究现状，然后总结了已有的行人统计方法，分析了现有方法的优缺点。通过总结传统基于检测和特征回归的方法提出了一种新的基于团块的行人统计方法，在达到高精度的基础上又提出其改进算法即场景复杂度自适应行人统计方法。这种方法将前景分割成多个团块，然后统计每个团块的人数，整个场景的人数就是所有团块人数的累加。在统计每个团块人数中利用机器学习的方法完成，确保了算法的精度。场景复杂度的引入，提高了算法的实时性和场景适用性，同时基于团块的特点使得该方法可以用于后续的局部密度估计和实时异常检测。实验结果表明该算法在各种复杂度场景中兼顾了实时性和准确性，可以快速、有效地实现智能人数统计。