近年来，计算机技术得到了飞速发展，并随着硬件成本的下降以及各种视频图像处理算法的不断更新与完善，智能视频分析技术在商业、工业及民用等方面已进入实用阶段。基于视频的人数统计问题是该领域的研究热点之一，人流量的统计在生活中有着较高的使用价值。例如，对于展览活动、体育赛事等人流过度密集的聚会性活动，通过人流监控控制参会人数，可减少踩踏事件的发生。对医院各门诊部门病人流量的统计，有利于根据病人就诊时间，总结出病人的就诊时间规律，科学合理地调配医生、护士的值班时间，缩短了病人的等候时间等等。本文主要是对运动人体目标前景分割技术、头部识别的机器学习方法和移动目标跟踪计数进行了研究，旨在对监控视频中通道或出入口处出现的行人进行人数统计。首先，使用改进的混合高斯模型从视频帧中提取出运动目标，然后再以运动目标的外接矩形框作为后续人头检测的检测区域。由于运用混合高斯模型提取的运动目标前景包含了阴影的干扰，需对其进行阴影去除。与以整幅图像作为处理区域进行人头检测和计数相比，该方法减少了人头检测时的工作量，而且能有效排除静态场景中包含的类似于人头的伪目标，降低了误检率。然后，分析人数统计系统使用的环境，采用Rossi等提出的摄像机垂直架设方法，检测人体头部区域。其好处是当行人靠近、肢体之间相互接触发生遮挡时，依然能提取行人较为完整的头部信息。行人头部检测采用基于Hog特征提取、线性支持向量机作为分类器的检测方法，是目前行人检测方法中综合性能较好的。由于分类器的分类精度并不取决于支持向量数，因此，采用增量学习的训练方法，只保留难分类的样本，能在保证检测效果的同时，减少最终分类器的训练样本数。最后，对视频场景中的行人进行跟踪计数。提出了结合最近邻匹配算法、卡尔曼滤波预测及头部检测响应模型的运动目标跟踪算法，滤除了部分动态伪目标，减少了单帧视频中头部区域漏检、误检时对最终人数统计结果的影响。在计数时，采用绊线计数的方法，在场景中设置一条虚拟线，当头部检测框与虚拟线相交时，记录下检测框左上角点到虚拟线的距离，通过分析距离序列，准确判断出行人进出的方向并进行人数统计。本文提出的运动目标前景分割、基于机器学习的头部识别以及目标跟踪等方法在人数统计系统中实现了具体的应用。实验表明，在对一段拍摄的视频中出现的行人进行人数统计时，能有效地检测到行人头部，并在跟踪计数时具有较好的实用效果。