视频监控下的人群密度估计及运动轨迹检测是可视化监控和人群管理的重要组成部分,广泛应用于公共场所的安全监控、智能人力管理以及道路交通管理等领域,是计算机视觉领域的重要研究课题。人群密度估计主要采用基于像素统计和基于纹理特征两种方法。本文引入阈值分割机制,首先,提取前景,计算前景像素和与背景像素和的比值。然后,将上述比值与设定的阈值进行比较,当比值低于该阈值时,则目标人群处于低密度状态,采用基于像素统计的人群密度估计算法;当比值高于该阈值时,则目标人群处于高密度状态,采用基于纹理特征的人群密度估计算法。此外,针对高密度人群,本文提出了一种基于方差的特征数据归一化方法,通过计算每个特征数据的方差进行数据的归一化处理,解决了不同特征的自适应归一化问题。运动轨迹检测主要包括目标检测、特征提取、目标跟踪等。本文提出一种基于方差调节的特征融合的粒子滤波轨迹检测算法。首先,提取HSV颜色特征和GLCM纹理特征。然后,计算HSV颜色特征方差和GLCM纹理特征方差,对于方差大的特征,则权值大;而对于方差小的特征,则权值小。最后,利用粒子滤波算法实现目标跟踪,进而完成轨迹检测。根据特征方差进行权值的更新,实现了基于方差调节的特征融合,这种方法强化了影响力较大的特征,而削弱了影响力较小的特征,增强了轨迹检测的自适应性。人群密度估计部分选用了PETS2009数据集,实验环境为MATLAB R2014a,实验结果表明本文改进的算法在高密度场景下准确率达97.5%;运动轨迹检测部分选用了PETS2009数据集和一段校园监控视频,实验环境为Microsoft Visual Studio 2010,实验结果验证了基于方差调节的特征融合算法对颜色、光照、遮挡都有较好的鲁棒性,同时在跟踪误差和跟踪稳定性有较好的效果。