1.基于局部纹理特征的人群密度谱估计方法，其特征在于，包括以下步骤：

1)训练步骤：

1-1)采集视频样本图片，根据单位面积内包含的行人数量对样本设置人群密度分类标签；设置各人群密度分类标签对应的得分；

1-2)提取样本图片的纹理特征，将样本图片的纹理特征与对应的人群密度分类标签输入SVM分类器进行分类器训练。

2)测试步骤：

2-1)利用SIFT关键点检测器提取出候选关键点，再在候选关键点中通过间隔采样选取出关键点；以每个关键点为中心，提取出固定大小的邻域图像块，提取邻域图像块的纹理特征；

2-2)将邻域图像块的纹理特征输入SVM分类器进行分类，得到该图像块的一个人群密度分类标签，并得到该人群密度分类标签对应得分；

2-3)计算邻域图像块内的所有像素点的密度得分，密度得分为邻域图像块的SVM预测得分与距离加权因子的乘积；

像素点的距离加权因子w(i，j)为

其中，p(i，j)代表(i，j)位置的像素点，dist(p(i，j)，C)代表该像素点与关键点的欧式距离；

2-4)遍历检测图像中每个像素点所在的所有邻域图像块，将对应的像素点密度得分进行累加得到每个像素点的最终密度得分；

2-5)将每个像素点的最终密度得分归一化到0到255之间，再将最终密度得分对应成灰度值，得到一幅灰度密度谱图；或将最终密度得分对应成RGB三个通道值，得到一幅彩色密度谱图。

2.如权利要求1所述基于局部纹理特征的人群密度谱估计方法，纹理特征的提取方法为：(1)计算图像的梯度图像；

(2)对于图像中每个像素点，提取各像素点3×3邻域，计算得到对应的局部三值模式LTP三值码，并分解成正局部二值模式LBP二值码以及负LBP二值码，最终得到图像对应的正、负两幅LBP图；

(3)计算梯度图像的每个像素点对应的LBP值，由此得到梯度LBP图；

(4)计算正LBP图、负LBP图和梯度LBP图的灰度共生矩阵；再对正LBP图、负LBP图和梯度LBP图的灰度共生矩阵分别计算其能量、对比度、一致性和熵；将各灰度共生矩阵对应的能量、对比度、一致性和熵进行串联得到特征向量；最后将正LBP图、负LBP图和梯度LBP图的灰度共生矩阵的特征向量进行串联构成了图像的纹理特征。