铁路客运是我国最主要交通方式之一,它与人们的日常生活息息相关。由于铁路客运具有旅客数量多、流动性大、人员情况复杂等特点导致铁路客运中存在各种安全隐患,建立铁路客车车厢内视频监控系统对及时疏导车厢内人员的流动、优化车厢空间资源的配置等具有重要的现实意义。目前,我国铁路运输存在中途上、下旅客频繁以及节假日期间流量剧增的情况,车厢中旅客流量的实际统计往往缺乏准确性,需要借助信息化手段进行自动的人头检测与统计,进而达到统计铁路旅客流量的目的,为铁路运输与管理部门提供重要的决策依据。本文基于列车车厢的视频监控图像,采用计算机图像识别技术,通过对车厢内人头的检测与统计实现对车厢具体客流量统计的目的。本文主要进行了以下几方面工作：主要基于视频图像处理的基础理论,针对列车特定环境,利用人头特征中鲁棒性较好的人头轮廓,采用几种边缘检测算法提取出车厢内人头的边缘轮廓信息,将各种边缘检测算法的检测结果进行对比,在分析上述算法优缺点的基础上,对Canny检测算法进行改进,对传统Canny算法与改进后的Canny算法提取的边缘信息使用Hough变换算法进行识别人头；最后根据车厢座位分布的特点,采用基于空间区域网格化人头统计方法统计人头数量。实验结果表明,在车厢内的人头检测精准度方面,改进后的Canny与Hough变换人头检测算法的检测效果优于传统检测算法。进一步依据多特征结合的思想,采用基于多特征信息的人头检测统计方法,根据人头头发、肤色等多个特征进行综合人头检测,分别设计了基于头发灰度信息人头检测、基于肤色信息人头检测、人头统计等流程。通过对图像进行图像灰度化、图像反向变换、区域干扰等预处理,消除了部分噪声,同时减少光线和去除头发阴影干扰,为人头检测提供较好人头候选区域,再利用区域长宽比、区域面积等阈值进行人头检测,并对检测结果分区域进行优化,最后将基于头发与基于肤色的检测结果进行重复区域去除,得到人头数量。将此方法与传统算法的实验结果进行了对比,发现基于多特征信息人头检测统计方法正检率高,漏检率有所减少,误检率虽随着检测到的总人数上升而有所增加,但从整体上看检测效果优于传统检测算法。最后为了满足实际工程应用的要求,设计实现了系统中基于多特征的人头自动检测统计关键模块,此模块作为车厢网络化视频监控系统的核心模块之一为车厢内客流量统计起到了重要作用。