人群密度检测拥有众多算法,由于人群环境的多样性复杂性,没有一种算法能够很好的适应各种场景。为了提升人群密度的识别率就需要依据场景选择有针对性的算法进行检测。按人群密度的等级可分为中低密度、高密度、超高密度三种场景。按定性统计和定量统计可将人群密度检测算法分为两大类。总体来说,超高密度或高人群密度人群的分析适合采用定性统计的方法,中低密度人群的分析采用定量分析更为精确。而根据场景的方向性,行人之间的遮挡情况等因素可细分为基于人脸检测的行人统计,基于方向梯度特征的行人统计,基于像素的行人统计以及基于纹理的行人统计。各种算法之间都拥有自己的优缺点,根据场景选择最为合适的人群密度检测算法对识别率影响很大。传统的图像处理架构通常是前端采集,后端处理。此类系统不仅仅有高传输带宽的需求,而且使得CPU在解决数据搬移上也会消耗大量资源,算法实现就显得非常吃力。因此需要将图像处理算法向前端推移,即在前端图像采集系统中直接进行算法实现,从而降低通信代价。采用高速FPGA硬件加速可满足图像处理高度并行的算法实现,因此设计基于FPGA的前端图像处理系统,将是解决上述矛盾的最佳方法。图像处理系统通常分成中低层算法实现和中高层算法实现及应用实现,两者对处理架构有非常不同的需求。中低层算法实现通常算子简单,重复计算多,利用FPGA高度并行特征,可以获取更好的优化性能;而中高层算法实现及其应用的实现通常判断、跳转指令较多,FPGA实现效率较低,通常采取在高性能通用CPU上实现。本文主要对人群密度检测的各种算法进行了研究分析及改进,提高了检测的准确率和适用性;在处理架构上将一些中低层的图像处理推到前端实现,减轻了CPU的处理负担,降低了通信代价,提高了处理速度。主要创新点及工作有:1、在图像处理架构上将中低层的一些操作放在前端处理,将中高层的一些算法处理安排在后端处理器上。2、对于图像传感器输出的图像采用邻近插值法进行RGB复原,处理速率快,节省硬件资源。3、在基于纹理的检测算法上加入了小波变化和滤波,提高了检测的识别率,增强了算法的适用性,在中等密度人群环境下识别率可以达到90%。4、对于基于梯度特征的人群密度检测算法将检测特征改为基于45度视角,避免因为遮挡造成的漏检,将误检率从5%降低到1%。5、对比分析了各种人群密度检测方法的优缺点,分析了在不同场景下不同算法的识别率。