随着经济社会的飞速发展,各种大型广场、娱乐场所层出不穷,大型人群活动也日益频繁,与此同时,高度拥挤的人群导致的人群灾祸屡见不鲜。在这种严峻的形势下,对监控区域进行人群密度估计,进而对高密度区域人群及时采取疏散措施有着极为重要的意义。人群密度估计最常用的模式是对样本图片提取特征,再用分类器对特征进行分类,从而得到人群密度的级别。从灰度共生矩阵中提取出纹理特征是当前最常用的特征,但是这种纹理特征只利用了人群图像的灰度信息,分类的正确率不高。针对这个问题,本文提出结合灰度共生矩阵的特征参数和灰度-梯度矩阵的特征参数的方法,将这些特征参数结合成一个二十维的特征向量用于后续分类。这样,不仅利用了人群图像的灰度信息,同时还融合了人群图像的梯度信息,具有更好的分类效果。在用分类器对特征进行分类的阶段,传统的做法采用一对一、一对多或者有向无环图的支持向量机(Support Vector Machine,简称SVM)对人群密度等级进行分类。但是这种构建多分类SVM的方法需要的子SVM数目多,训练时间和测试时间较长。针对这种情况,本文提出用一种改进的多类分类SVM——基于最短距离的二叉树SVM,用它对特征进行分类,减少了所需的子SVM的数目,缩短了测试时间。除了使用支持向量机作为分类器外,本文还提出用极速学习机Extreme Learning Machine,简称ELM)对纹理特征进行分类。ELM是近年来基于单隐层神经网络模型提出的一种新算法,其对输入权值和偏差随机赋值,然后通过简单的计算得到输出权重,取代传统的梯度下降法。实验表明,ELM在实时性方面能达到更好的效果。此外,本文将支持向量机和极速学习机从理论上进行比较,分析这两种分类器的异同。之后再从实验结果上进行验证,发现使用这两种分类器进行人群密度估计的准确率相当,但是ELM的实时性更佳,其训练速度约为SVM的十倍,测试速度约为SVM的五倍。