近些年来,伴随着全球都市化进程的加快,城市的人口密度越来越大,人群发生聚集的情形也越来越多,大量的人群聚集易引起拥挤、踩踏伤亡等灾祸事件。这样的灾祸事件在国内外都屡有发生。因此,对视频监控场景中的人群密度的估计有着重要的研究意义。基于像素统计的密度估计方法较为简单,算法复杂度低,但是当人群密度较高存在人群遮挡时误差较大并不适用；而基于纹理特征分析的方法能够充分利用人群图像的纹理信息,有效克服了人群遮挡难题,但是对低密度人群的估计效果较差。针对以上问题,本文提出了一种改进的人群密度估计算法,通过设定阈值把人群图像划分为低密度人群和中高密度人群,对两类人群分别采用了两种不同的人群密度估计方法。对于低密度人群,本文采用基于前景像素和线性回归的方法。首先提取人群前景,本文使用加权平均法对所有人群帧图像进行灰度化处理,然后使用中值滤波法消除孤立点和噪声,最后构造背景图像,利用背景差分法获取初步的人群前景,再通过形态学处理获得最终的人群前景。得到人群前景后获取其像素数,接着用最小二乘法估计出人群前景像素数和人数之间的线性关系。对于中高密度人群,本文采用基于纹理特征分析和支持向量机(SVM)的方法。通过灰度共生矩阵提取人群图像的纹理特征进行研究,通过实验研究选取了最佳的灰度共生矩阵构造参数d和目,并选取能量、对比度、熵及相关性4个纹理特征进行密度估计。对于模式识别的分类问题,本文采用SVM对中高密度人群进行分类,通过本文的训练样本建立SVM模型,通过实验研究选取了最佳的惩罚参数C以及核函数的参数σ。接着用SVM进行分类,获得分类结果,从而完成场景的人群密度估计。最后,为了验证本文算法的可行性和有效性,对人群视频进行了实验,低密度人群得到了最小二乘线性拟合结果,中高密度人群的分类准确率达到了90%。实验结果表明本文方法有效可行,可以为保障公共安全提供有力的帮助。