本书从行人视频检测方法的研究、正常情况下的人群疏散模型研究和紧急情况下的人群疏散模型研究三个方面进行阐述：

1.根据不同的交通状态，提出了低密度情况下基于运动的行人检测方法和高密度情况下基于人头的行人检测方法。在低密度状态下提出了基于行人运动的检测方法：从改进权值参数和控制方差两个方面对传统的高斯模型（GMM）进行了改进，有效地减少了由于交通冲突使得运动前景融入背景模型的可能；建立了基于Kalman滤波和Mean-Shift算法的目标跟踪方法，改进了多个运动目标相互合并或分离时的处理方法；通过BP神经网络对运动个体进行分类，进而得到行人的运动信息；在高密度状态下提出了基于人头的改进的行人检测方法：提出了基于头发颜色在RGB和HSV颜色空间、脸部颜色在YUV颜色空间的混合颜色模型进行头部区域检测；建立了基于Canny算法与小波变换的人头轮廓提取方法，实现对人头轮廓的提取；根据Hough变换提出了基于人头图像的圆环检测方法，对人头进行精确定位并统计行人流量。最后，通过实际的实验分析，验证了所提出的高、低密度状态下行人视频的检测方法有效性和先进性。

2.在正常情况下的人群疏散模型研究中，本书建立了基于元胞自动机的动态参数模型，在传统的动态参数模型的基础上引入了感知参数，用以描述出口附近的行人密度对行人疏散路径和出口选择的影响，通过不同的行人分布状态来与以往模型比较，模拟结果证明这种改进是有效的，因为在对于门的选择上，除了对空间距离的要求以外，密度也是一个很重要的影响因素；分别对无阻碍和有阻碍情况下的人群疏散进行了研究：对于无阻碍情况下的人群疏散，本书分别研究了安全出口的最佳位置，以及单个门和多个门的布局对疏散时间的影响，并对模型参数进行了最优的选取，描述了疏散时间、系统规模、行人密度、出口宽度之间的关系；对于有阻碍的人群疏散，本书考虑了障碍物布局对疏散时间的影响，同时考虑当障碍物发生位置移动时对疏散时间的影响，刻画了障碍物移动时间、疏散时间、行人密度之间的相互关系。

3.在紧急情况下的人群疏散模型研究中，本书从视线受影响情况下的人群疏散、存在挤压情况下的人群疏散以及发生火灾情况下的人群疏散三个方面来对紧急情况下的人群疏散模型进行研究。在视线受影响的情况下，从无疏散标志的从众疏散和有疏散标志的沿墙疏散两个角度进行了研究，引入了行人视野半径的概念，并分析了行人视野半径、行人密度、出口宽度对疏散时间的影响；在发生挤压情况下，构建了元胞容量可变的CA模型，模型从方向参数和从众参数两个方面进行了考虑，分析了出口宽度、系统规模、行人密度与疏散时间的关系；在发生火灾情况下，建立了火灾发生情况下存在挤压的人群疏散模型，模型考虑了火灾的发生对系统的领域值和行人疏散行为的影响，分析了火灾蔓延时间、出口宽度、行人密度、系统规模与死亡人数的关系。最后，仿真了三种情况下的行人疏散过程，从疏散模拟图来看，模型和更新规则较为合理并符合实际。