文 献 综 述
1 引言
社会经济的快速发展和交通便捷性的提高大大促进了人的流动性，与此同时也带来了一定的社会不稳定性，人口高密度环境的安全问题日益突出。因此，行人信息的统计显得尤为重要。
传统的监控方式主要由人工长时间视频监视完成，不仅效率低下而且没有完全利用视频信息，造成资源浪费。长远来看，人工监控方式的低效性和不准确性势必不能满足日益增长的安防需求。因此，一种自动统计行人信息的智能视频监控系统亟待研发，利用计算机视觉功能来代替人脑对视频信息进行处理也成为近年来计算机视觉领域的热点[1]。智能视频监控的核心内容是智能识别算法[2-4]，包括运动检测、目标分类、目标跟踪、行为分析四部分。通过摄像头采集数据并分析，实现行人信息的统计。
在人口流动非常复杂的当今社会，利用智能视频对公共环境人数进行有效的统计和管理不仅提高了人员密集场所的安全性，还节约了人力资源，节约了运营成本，具有非常广阔的发展前景。
2 传统的视频行人计数算法
2.1 运动检测与识别分类
运动目标检测指在视频中通过一定的算法，提取出运动物体，并将其按顺序存储。而其中又按照场景中摄像机是否可以移动又分为基于运动摄像机的检测和基于固定摄像机的检测。前者由于其难以得到良好的检测效果，因而不作研究；后者由于其稳定的检测性能而发展迅速。
常见的检测方法可以分为光流法[5-6]、背景差分法[7]和帧间差分法[8-9]，或者其他改进算法如基于背景差分法改进的混合高斯模型的背景差分法[10] 、基于帧间差法改进的对称帧间差分法、累计帧差分法和二次帧差分法[11]等进行目标检测与识别。
2.2 目标跟踪
目标跟踪是在当前帧中标记处目标后，在下一帧中匹配出目标，保存并画出目标运动轨迹。目标跟踪的任务包含以下两点：目标提取和目标定位。目标提取所需要的视觉特征如下：
（1）颜色特征[12]。该方法是目标跟踪中最简单直观的特征。除了最常见的RGB色彩空间外，还有HSV，HSI，YCrCb，CMYK等等[13]；
（2）边缘特征[14]。图像中运动物体与静态背景之间的灰度、亮度存在很大的区别。且利用边缘特征跟踪的方法可以降低光线、天气等自然因素的影响，提高识别率；
（3）纹理特征[15]。纹理特征指图像中物体表面像素强度的区别，描述的是物体局部区域的信息。与边缘特征一样，具有很强的抗干扰性；
