由于人流量统计在安防，商业管理等方面有较大的实用价值，人流量统计在公共场所，购物中心，户外场所等地方的重要性慢慢凸显出来。精确的人流量统计不仅能方便对地区商业价值的评估，还能配合安防系统及时响应应急安防预案，保障行人的安全。传统的人流量统计主要有三种方式：人工统计，红外线统计以及热成像统计，但是传统方法都有着成本较高，精度受环境影响较大的特点。近年来，随着计算机视觉领域中模式识别与图像处理技术的发展，基于计算机视觉的人流量统计以其成本优势以及广阔前景获得了人们的青睐。但由于不同场景的光照，遮挡及人流密度情况各不相同，摄像头的角度，成像质量也有较大区别，使得基于计算机视觉的人流量统计在实际应用中面对的挑战也很多。本文结合视频监控，对佛山通济桥的西入口进行了固定垂直视觉摄像头下的人流量统计。该统计场景的特点是：夜间统计，背景固定，但是不同时段人流区别较大。针对该场景特点，本文利用摄像头成像视角的特殊性采用检测识别人头而避开了人体识别这一难点，因为人头彼此之间遮挡的概率更小且更近似一个刚体。本文采用对光照变化不敏感的梯度直方图（HOG）作为人头特征描述算子，使用线性支持向量机（SVM）学习算法来建立人头的线性分类模型进行分类检测。由于HOG特征子检测的计算量较大，而该项目需求的实时性较高，为了提高检测实时性，本文设计了两种方法分别应对该场景较稀疏和较密集的人流量检测并使用自适应的思想自动更换当前最适合的检测方法。对于较稀疏的人流本文采用了对光照变化不敏感且计算量较小的三帧差分法提取运动区域，然后在提取的运动区域内检测轮廓并求其最小拟合矩形，只对拟合矩形中心点处于检测区域内的拟合矩形进行HOG特征子检测，有效减少了检测范围，大大提高了系统效率。同时，本文使用轮廓匹配的方法进行人流跟踪，依据轮廓的出现，合并，分裂与消失四个状态来进行人数的更新。但是在人流量较大时，此方法的效率开始降低，无法满足实时检测需要，因此对于较密集人流则在对检测区域使用HOG特征子检测的基础上，采用将Harris角点检测和金字塔LK光流法相结合的方法测出人流速度，从而利用检测区域的几何特征估计出检测区域内人流通过的区域的时间，认为该时间后检测区域内人流完全通过区域，进而对该时间后的视频帧进行HOG检测，循环该操作即可实时估计出人流量。实验证明，该程序对于该场景的人流量统计是行之有效的。