随着智慧城市、智慧交通战略的铺开,城市公共交通信息化速度加快,公交车能够方便的获取到实时位置、道路情况等信息为乘客提供到站信息服务,但却少有提供车内拥挤度信息。车内乘客拥挤度信息的获取方法多种多样,考虑到公交车下车不需要刷卡并且一般公交车内带有监控相机的情况,目前最为方便的方法是通过计算机视觉的方式统计上下车乘客人数进而分析车内拥挤度,这其中难点在于客流统计与分析算法。基于视觉的客流统计算法研究由来已久,其中利用手动设计特征匹配模式的传统算法具有开发难度大、场景可移植性差、易受外部光照环境变化影响等缺陷,已经无法满足多变场景、稳定监控的需求,人们需要一种能适应多变场景、稳定且开发简单的算法。随着深度学习在计算机视觉领域的不断突破,深度学习算法具有应用难度小、准确度高、鲁棒性强等特点,因此研究者逐步将目光投向深度学习算法。本文使用深度学习针对公交车场景客流统计与分析展开研究,利用深度学习实时监控、统计公交车上下车人数,具体研究内容如下:1)提出了一种针对公交车场景应用的深度卷积神经网络性能分析与优化方法。该方法通过可视化深度学习模型权重、中间层特征图、运行时间等分析、定位模型瓶颈,并针对瓶颈模块提出优化方案、实验验证。2)提出了一种基于深度卷积神经网络的公交车实时客流统计方法。该方法由取消了Bias偏置项的VGG16-SSD模型、基于卡尔曼滤波器的跟踪算法和基于标定线客流统计算法组成。在公交车监控视频上测试实验结果表明,该方法的准确率远超过基于深度图像与传统图像处理算法的客流统计系统。在实验室出入门口进行的人数统计测试实验结果表明,基于深度卷积神经网络的公交车实时客流统计算法在实验室场景同样有着较高的准确率,证明了该算法学习到了具有很高鲁棒性的特征表述模式,在其他场景推广应用价值高。3)提出了一种基于轻量化卷积神经网络的快速公交车实时客流统计算法。该算法首先增大轻量化网络Mobile Netv3接受的输入图片大小,并以改进的Mobile Netv3为前置卷积神经网络,对多特征层也进行轻量化改造,组成Mobile Netv3-Lite SSD模型。对比VGG16-SSD模型,该模型在准确率没有大幅下降的情况下,耗时缩短近一倍,使用该模型替换上一算法中的VGG16-SSD模型,并在客流统计系统中增加图像增强算法,组成快速公交车实时客流统计系统。对公交车监控视频分析发现,该算法准确率略低于上一算法,但仍然远高于传统图像处理算法。