将提取的特征值与场景人数建立映射关系，分为分类和回归两种方法。分类法通过分类 器实现这一目标，其定义为使得待分类对象被划分为某一类使用的分类装置或者数学模型[11]， 在人群密度估计中这一过程分为两步：第一步，将样本集的图像特征向量作为输入，对应人 数作为输出，训练分类器；第二步，将未知人数图像的特征向量作为输入，训练好的分类器 将其划分为某个人数。常用的分类方法有 BP 神经网络分类器[12]、贝叶斯分类器[13]、支持向 量机（SVM）算法[14,15]等。与分类法相比，回归针对的是连续变量的预测，通过建立回归方 程来对给出的自变量估计因变量[16]。其基本流程是找出一条最能够代表所有观测资料的函数， 并用此函数代表因变数和自变数之间的关系，在人群密度估计中同样分为两步：第一步，将 样本集中特征向量作为自变量，对应人数作为因变量，训练得到回归系数，从而建立回归方 程；第二步，将未知场景的特征向量作为自变量，根据回归方程求出作为因变量的场景人数。 根据函数是否线性又可细分为线性回归和非线性回归两种。