人数统计由于其的广泛应用已经逐渐成为计算机视觉研究的一个热点,基于视频的人数统计仅仅需要投入一次设备即可完成长久实时的人数统计,同时基于视频的人数统计方法具有准确度高,稳定性优良等优势。室内人数统计尤其是视频会议场景相比于室外环境由于其复杂的背景和人员间的遮挡而更具有挑战性。本文主要是对特征提取、机器学习、视频会议人数统计进行研究,旨在对视频会议轮询多个会场之间进行参会人员人数统计。主要工作包括以下几个方面:首先,分析总结当前的视频人数统计算法,分析其中存在的优缺点,结合视频会议场景的特点,分析各种方法的可行性及存在的问题,从而决定选取HOG来提取参会人员的特征,并指出HOG所存在的缺点与不足,确定了本文的研究路线。随后,针对上述HOG所存在尺度单一,维度高的缺点,提出使用滑动窗口的HOG提取方法,并对提取的HOG特征进行PCA降维。这样一来,使得HOG在针对多个会场所传来的不同大小的视频更加适用,同时也提升HOG特征的效率,优化了 HOG。最后,将上述改进的HOG特征引入视频会议人数统计中,选取MI-SVM来训练分类器,提升了训练效率,同时结合视频会议场景本身的特点,融入了时空特征,在每帧视频中标记出检测到的人员,再根据帧间信息判别是否有人员被遮挡,提高人数统计的准确性,实现了视频会议参会人员的人数统计。通过大量的实验与测试证明,本文所提出的视频会议参会人员人数统计方法能够对轮询的会场进行实时的人数统计,具有一定的应用价值。