随着我国经济社会的不断更新,城市化建设取得了显著成绩,在不断改善人们日常生活的同时也加剧了公共安全隐患等社会矛盾。城市化建设使得城市人口过快增长,常导致单位区域人流量或人群密度瞬间攀升,引发的公共安全事件屡见不鲜。作为安防监控的有效技术,计算机视觉中的实时视频中的人头检测方法对于人流量或人群密度统计分析起着关键性作用。本文分析了前沿的人头检测技术,学习并总结前人的研究成果,改进和优化了部分不足之处,旨在实现视频场景中的行人人头的精准检测,并为人流量统计分析等实际应用方面提供更可靠的检测方法。具体工作如下:1.将卡尔曼滤波建模法用于本文的行人运动的背景模型的建立。针对传统的固定卡尔曼增益模式下的建模法对于行人运动时无规律的多样性运动状态建模时造成行人的丢失问题,提出了Kg动态更新的改进的措施,降低了行人的多样性运动状态时引起的目标丢失的可能。2.HOG特征对于提取区域的边缘或局部的梯度结构分布,可较好的表达。然而该特征本身不具有尺度不变性,实际应用中仅能检测出与样本图片大小相差不大的目标对象,提出一种多尺度协同的人头检测方法。利用线性支持向量机在分类决策方面的优势,与提取的HOG特征结合作分类器的离线训练。实时的目标检测阶段,对输入的视频帧序列进行多尺度分析,得到不同分辨率下的待检测帧,在不同的尺度空间进行人头检测并存储结果,之后对各尺度的检测结果融合及标定。以此流程提高精确度及检测效率。3.多尺度协同的人头检测系统中,传统的梯度方向直方图应用于高清视频监控领域时常因特征提取时的海量计算而不能满足实时性要求,提出一种基于GPU_CPU异构并行加速的人头检测方法,GPU端负责HOG特征提取时庞大的密集型区块的并行计算,CPU端负责检测过程中其它模块的执行。以此异构并行的方法,可充分发挥CPU及GPU的性能。4.传统的并行归约算法应用于HOG特征提取时的时间复杂度不够理想,提出改进的并行归约计算方式,通过“下扫”的并行计算方式,减少节点被计算的次数,降低了HOG特征提取时的时间复杂度,同时也可基本满足多分辨率下的人头检测的实时性要求。实验表明,在对同一段监控视频作行人的人头检测分析时,本文提出的方法在检出率、召回率、准确度及检测速率等方面均优于传统方法。