城市化进程的发展造成世界人口的急剧增加,间接使得人群聚集现象也越来越多。人数统计分析在公共安全、公共基础设施、商业应用等方面的价值逐步凸显。和传统的统计方法相比,基于机器学习的统计方法具有精确的数据处理、高效的信息融合和精简的人工操作等优势。因此,基于机器视觉的区域观察引起了计算机视觉研究人员的广泛研究,同时涌现了一大批实现人数统计的方法。通过对人数统计方法的研究,基于统计回归的方法有较为精确的结果,但在实现方向计数上比较困难。基于个体检测的方法在方向计数上有着明显优势,但由于其检测时计算量大,在嵌入式系统实现时实时性不高。因此,本文针对基于个体检测的方法,在检测前先进行目标预提取,提取出疑似包含目标的小窗口,避免全图扫描检测。然后利用检测器对这些窗口进一步检测,实现检测计数目的同时提高处理速度。本文中人数统计系统采用基于BING特征的人头提取方法。实验表明,BING特征提取的窗口具有较大的参考价值。在行人检测方面,本文采用垂直俯拍的方式通过检测人头来识别行人,以减小行人之间由于遮挡产生的误差。分类器设计时采用基于Haar-like特征的AdaBoost方法训练的人头分类器。为了提高检测速度,采用强分类器级联算法构建的层叠分类器。在人头跟踪上,本系统采用基于卡尔曼滤波器预测的目标跟踪方法。算法仿真调试利用POSIX多线程技术在PC平台完成。在系统实现时,硬件平台选取基于全志A20处理器的Cubieboard2平台,最终将系统移植到硬件台上。实验结果表明,本文采用的基于BING特征的人头提取方法有着较好的提取效果,同时避免全图扫描带来的庞大计算量。通过采用多线程处理合理地利用硬件平台处理器资源,使得系统能够在嵌入式硬件平台实时进行人数统计。最后,为了验证系统的有效性,本文通过对大量不同场景进行测试,测试结果表明,基于机器学习的嵌入式人数统计系统能够准确地、实时地利用垂直俯拍视角进行人数方向统计。