随着人类现代生活和生产活动的日益丰富,诸如演唱会、集市、大型招聘会等社会活动变得越来越多。人群聚集活动多发生在城市广场、学校、大型超市等公共场所,随之导致了群体性异常事件的频发,严重威胁到了社会公共安全和稳定,所以基于视频监控下的人群研究有着重要的意义。行人统计研究作为人群研究中重要的课题之一,越来越受到广大研究者的青睐。然而,监控场景中不可避免的会受到诸如物体阴影、光照变化和遮挡等因素的影响,使得构建一个准确、实时的人群计数系统变得异常困难。研究者已经提出了很多算法,总体而言,现有算法能够对低密度人群实现很高的计数精度,但是对于更具研究价值的高密度人群却没有一种同时兼顾准确性和实时性的算法被提出。针对这些问题,本文将展开以下相关研究和分析:(1)通过对流体力学中压缩特性和粘滞特性的研究,本文构建了一种流体力学模型并提取流体特征,然后融合流体特征和像素特征来解决高密度人群中单一特征不能有效表征人群信息的问题。(2)采用了一种多特征融合的密度自适应行人统计方法。首先引入场景密度自适应的概念,经过运动目标前景分割后,依据密集度的不同对场景进行区分,不同的场景需要构建不同的特征向量,通过训练得到不同的特征回归模型,进而统计出人数。这样既能保证人数估计的准确性又能兼顾应用的实时性。(3)本文对常用的几种前景提取的算法进行了实验分析,通过实验验证了ViBe算法的前景提取效果最佳。另外,为了得到较为完整的前景运动信息,本文对常用的两种光流算法的原理及其计算过程进行了阐述,分别给出了实验结果,并分析其优缺点,选定了能够较为完整的表征运动粒子特征的H-S光流法作为本文提取微观粒子运动信息的方法。