正在对人群监控/人群计数进行研究，这与您正在寻找的内容相似。UCSD 视觉实验室正在做这方面的工作。

这是该实验室的一篇论文，估计了人群的规模 [ PDF ]。

它与您的火车场景并不完全相同，但这个想法可以用于解决这个问题。

这听起来可行（而且很有趣！），但很难做到非常准确。我的猜测是，就像您的标签所暗示的那样，这将是边缘检测/空间检测的组合来衡量密度和面部/手部检测以衡量人类内容。然后，您可以根据数据训练 SVM 或 RandomForest 模型，调整并重复。