公共交通乘客上下站点对信息（Origin and Destination,OD）是公交运行管理与规划的重要基础数据,对分析与提高公共交通系统的运行效率具有重要意义。传统通过人工调查的方法,存在成本高且抽样低等缺点。近年来,智能卡大数据在提取OD信息上得到了广泛应用,然而智能卡数据缺乏乘客的下车信息,且数据带有一定的有偏性,反映真实的居民出行行为还存在一定的偏差。公交车监控系统已经在公交车内普遍使用,监控视频数据为获取真实乘客上下站点对信息提供了新的思路。视频数据相对容易获取,能够获取所有上下车乘客的数据,弥补IC数据带来的样本偏差和无法验证等问题。随着以深度学习为代表的视频处理技术的发展与成熟,从视频数据中对目标进行检测、跟踪,实现跨摄像头的目标重识别成为可能。因此,本文研究了利用计算机视觉技术获取公交车乘客上下车站点对的方法。论文的具体工作如下:（1）基于YOLOv3的目标检测框架实现对公交乘客的目标检测。通过分帧及抽取的方法,得到拍摄视频的图像,使用标注工具手工标注乘客对象,获得公交乘客数据集。对标注数据集进行聚类分析,得到基于乘客目标的预选框,然后利用公交乘客数据集训练得到针对公交车场景的目标检测器。最终得到目标检测器的m AP值达到89.4,相比于原有的检测器提高了12.3%,较好地实现对乘客目标的检测。（2）对检测的目标进行跟踪并基于跟踪轨迹提取上下车乘客。利用卡尔曼滤波算法对检测框进行状态估计,并使用外观特征、运动信息以及级联匹配三种方法进行帧间匹配,从而达到更加准确的匹配精度,实现对多个乘客目标的连续跟踪;对获取的跟踪对象,我们利用跟踪轨迹判别检测对象是否存在上下车行为,并采用阈值法判别对象属于上车还是下车行为,从而实现对检测及跟踪对象的过滤,得到上车乘客数据集和下车乘客数据集。（3）对上下车乘客进行重识别获取乘客OD信息。重识别算法基于PCB+RPP框架,对比使用随机擦除法,加入验证集等方法对训练结果的影响。同时,本文基于公交场景,对重识别的数据集进行过滤及筛选,以此减少重识别的检测时间,提高检测精度。最后,对过滤和筛选的上下车乘客数据集进行重识别,最终得到公交乘客上下车站点对,获得乘客OD信息。通过实验,我们得到在公开数据集上表现较好的重识别算法性能,其中Rank-1达到93.78,m AP达到83.62。将该算法应用于公交乘客上下车数据集,得到匹配正确率为80.4%,说明该算法对识别跨摄像头的公交乘客有较良好的应用效果。