目前,我国正在发展“公交都市”,公交车客流信息作为公交企业线路优化、班次调度依据和乘客出行方式安排参考数据十分重要。随着图像处理技术的发展,借助于公交车内乘客上下车的监控视频统计客流成为目前的研究趋势。然而在复杂的公交场景受到光照和乘客形态的影响下,对乘客进行检测和跟踪是实现乘客统计亟需解决的问题。本文基于视频图像检测统计乘客的具体研究内容如下:(1)建立了基于机器学习的头部目标检测模型。首先,通过多种途径采集头部目标图像样本,并提取了样本的HOG特征以及纹理特征中的熵、能量、对比度和相关性等特征量,形成了头部目标特征数据库。其次,基于SVM算法训练特征获得了HOG特征和纹理特征头部目标分类模型,同时使用HOG特征和纹理特征头部目标分类模型分类识别的精确率约为86%,优于单独使用HOG特征头部目标分类模型。然后,根据HOG特征和纹理特征头部目标分类模型提出了基于SVM的头部目标检测模型,实现了乘客头部目标的检测。(2)建立了基于深度学习的头部目标检测模型。首先,完成了头部目标训练数据集的标注。然后在此之上,通过15000次的模型迭代训练后,得到了YOLOv3头部目标检测网络模型,其召回率为92.12%,精确率为89.71%。并通过实验证明,YOLOv3头部目标检测网络模型的检查速度和精度都优于基于SVM的头部目标检测模型。(3)提出了基于Cam-shfit与YOLOv3结合的多目标匹配跟踪算法。首先,采用了Cam-shfit算法跟踪头部目标。其次,为解决Cam-shfit算法跟踪时出现的漂移等问题,通过基于最小距离的数据关联匹配法将头部目标跟踪数据与YOLOv3检测数据结合优化了跟踪效果。然后,为优化头部目标检测及跟踪过程中的错检和漏检问题,结合时间约束,提出了一种乘客位置信息判断规则,提升了乘客轨迹跟踪的可靠性。(4)提出了公交上下车乘客检测统计算法。首先,分析了公交上下车区域乘客轨迹,提出了乘客上下车行为判断流程。然后,结合头部目标检测、跟踪和乘客上下车行为判断研究,提出了公交上下车乘客检测统计算法。最后,在公交实际场景以及模拟场景下进行实验,实验证明本文提出的公交上下车乘客检测统计算法在公交场景及模拟场景下具有良好的检测、跟踪与统计效果。