中国古典园林博大精深,为了探究园林内在特性,需要对其路径上的行人进行统计。园林景区内游客数量庞大,且驻点内游客分布情况复杂,若采用传统的人工计数方法不仅耗费大量人力物力且数据准确度偏低。为了能高效、准确地统计驻点内的游客数量,本课题引入计算机视觉技术和相应的机器学习算法来对园区驻点内的游客进行数量统计。本课题以苏州留园为研究对象,主要针对留园“驻点”内的团队游客。预处理前期采集的视频、研究团队识别算法、输出团队游客图片。提取团队游客的特征,再通过传统的SVR算法预测出团队游客的人数。本文还研究多种基于深度学习的目标检测算法,并在此基础上构建团队游客人数统计系统,开发专用软件,实现团队游客图片中人数的统计。本文主要研究内容包含以下几点:(1)对前期采集的视频进行细化分类处理,分析并运行当前实用的前景提取算法,通过几种算法运行效果的比较,选择了高斯混合模型算法并对其进行改进。在优化前期面积比参数的基础上对团队游客识别算法进行改进,通过完善的团队识别算法完成团队游客图片的采集工作。(2)对团队游客人群进行分析,提取团队游客的主要特征。通过传统的SVR算法实现了团队游客的人数统计,并对其模型性能进行评估。(3)研究当前比较主流的深度学习算法,对深度学习中常用的网络结构进行详细介绍;其次对基于Region Proposal的目标检测算法进行系统研究,重点对目前主流的Faster R-CNN与R-FCN目标检测算法进行效果演示。然后对两种主流算法进行实现并通过数据分析,选择适用本研究的目标检测算法。最后通过选择的目标检测算法,结合人头模型,构建了景区团队游客的人数统计系统。(4)利用Visual Studio Code作为开发工具,采用TensorFlow深度学习框架及PyQt库构建了一个团队游客人数软件系统。该软件系统可以实现参数设置、图片文件夹显示、处理后图片查看功能,能实现团队游客图片的批量处理,并将统计的人数输出到excel表中。(5)对数据进行分析,主要测试软件准确率。考察驻点空间类型、季节等因素对数据准确率的影响。通过人工计数与软件计数对比,计算数据准确度,数据平均准确率达90.63%。分析影响数据准确度因素为今后的模型完善工作提供了参考依据。