我国的城市化高速进行，城市人口激增，各种大型的文体娱乐活动日益增多。由此引发的踩踏安全事故屡见报道,因此对于人群中异常情况的探测，是防范此类安全事故的重要研究方向。研究发现，踩踏类安全事故的首要原因是人群过于拥挤，本文的主要研究内容就是实现对人群异常拥挤情形的检测，通过对人群进行自动化密度估计实时掌握人群的拥堵程度，这在很大程度上可以避免踩踏悲剧的重演。　　本文首先介绍了安全监控中经常被采用的两种密度估计方法。基于像素的人群密度估计方法，对低密度情形的检测准确率较好，但高密度时由于个体彼此遮挡严重，准确率大幅下降。基于纹理分析的方法，则从图像整体出发分析不同密度人群图像所呈现出的纹理模式。　　本文提出一种针对人群密集区域实时监测人群密集程度的方法，通过使用混合高斯背景建模的方法获取人群前景目标并使用HSV模型去除阴影，有效地减少了复杂背景的波动对检测结果的影响。在分析人群前景进行密度估计时，结合了基于像素和基于纹理的两种方法，将人群前景中提取得到的像素信息和纹理信息组合成联合向量来表示人群密度信息。这样在一定程度上既克服了使用像素分析方法进行高密度人群估计产生的误差较大的问题，又解决了纹理分析方法只考虑图像整体纹理模式，忽视图像的像素信息带来的，对人群稀少时的检测误差较大的问题。本文采用GRNN神经网络对测试样本训练得到密度等级分类器，对人群中低密度、中密度、高密度三种情形有较好的分类效果，表明本文的算法是可行而且有效的。