在行人检测研究主题中,自动的密集人群检测与估计非常重要,主要包括自动检测拥挤人群密度等级,检测行人和对行人进行计数,检测人群异常并且报警。最近几十年,虽然在该领域涌现了很多优秀的算法,但是由于监控场所的多样性,监控场景的复杂性、人群尺度的变化等,它仍然是自动视觉监控的一个很具有挑战性的问题。本文对目前主流的人群密度估计方法进行分析研究。从实际应用的角度出发,充分考虑监控场景的特点,将人群密度估计算法分为大视角监控场所和小视角监控场所两类,并且根据每种场景人群前景的特点,分别提出了高效的算法框架,并且给出了实例验证。在大视角监控场所,相机架设比较高,人群距离监控相机较远,人群的前景、边缘、特征点等特征比较容易提取,但是常常会受到一些背景特征的干扰,对人群密度检测准确率有很大影响。本文提出一种使用前景掩膜屏蔽背景干扰,融合多种局部特征的特征提取方法,使用SVR建立人群回归模型分析人群。该方法同以往的方法比,前景掩膜算法能有效的屏蔽背景特征的干扰,多种特征的融合能够保持人群受到背景干扰时算法的稳定性。在Grand Central Station数据集中,使用该算法,MAE和MRE指标分别降低了6.54和21.9%,提高了检测的准确性。在小视角监控场所,相机一般架设角度低且距离人群近,人群细节太过严重。当人群密度高时,拥挤、遮挡现象严重。针对这种场景,本文改进以往的基于纹理的人群密度检测算法,先将监控场景进行透视矫正并且划分成多个子区域,只有子区域前景像素数超过设定阈值时,才对该区域继续进行纹理特征分析,最后统计全场景内各个子区域人群密度。在地铁人群视频中,使用该方法,平均每帧处理时间降低0.104s。