通常公交客流量统计能提供运营车辆的全程客流数据,车辆调度管理人员采用该数据来进行统计、分析及决策,实现车辆和人员的有效调配,以此凸显智能调度的优点。近年来,随着我国各地城市公交基础设施建设和车辆装备改造更新步伐的加快,公交在车辆保有量、运营线路长度、运营里程等方面不断增长,进而导致运行管理工作量大,无法实时监控公交车辆的情况,使得运营效率低下,乘客满意度差。针对目前公交客流数据获取现状不稳定、处理方法陈旧及无法实时调度等问题,本文围绕基于深度学习的公交客流检测系统展开研究。系统主要结合图像处理和深度学习方法,在Raspberry Pi树莓派中移植TensorFlow深度学习框架并搭建卷积神经网络CNN的模型,以提取车厢内乘客头部特征,通过综合梯度下降算法优化学习速率,采用三通道数据融合技术判断车内拥挤情况,相比于传统算法,系统不仅提高了识别精度还加快了收敛速率,特别适合于实时性检测,实时的拥挤度判断更能具有实用性。论文主要工作总结如下:(1)公交客流检测系统总体功能分析与方案构建。首先从深度学习的发展历程、场景应用、主流模型分析及学习工具四个方面进行研究,选取合适的深度学习网络模型。然后在秉持设计原则和实现基本功能的基础上,根据车内图像采集模块与车内图像识别判别模块的系统需求完成系统总体方案构建。(2)算法分析与设计。为验证深度学习模型效果,先对传统的客流计数算法,基于检测的客流算法和基于回归的客流算法进行研究,并进行部分特征提取方法、分类器及回归器的图像验证,然后对基于深度学习的卷积神经网络架构进行研究,最后结合客观场景因素选取合适的算法进行客流统计。(3)公交客流系统硬件分析与设计。根据系统实际应用场景与功能需求,分别对主控制器模块、防震车内摄像机、视频解码芯片及通讯显示模块进行选型与设计,并完成了对车内图像采集模块的搭建。其次通讯显示模块分别对4G模块、GPS(Global Positioning System)定位模块及电源模块进行设计,完成与PC端的交互。(4)公交客流系统软件分析与设计。通过在Raspberry中移植Raspbian操作系统OpenCV库移植及TensorFlow框架移植,完成对车内图像采集模块、车内图像识别判别模块及通讯显示模块三个部分的软件设计。其中,车内图像采集模块通过摄像头进行采集并通过串口传输图像,传输的图像即为车内图像识别判别模块的输入,完成图像预处理后,输入搭建的卷积神经网络模型中,并提出综合梯度下降算法代替传统梯度下降算法,解决计算能力过弱易出现过拟合与局部损失函数现象。通过实验证明,相对于传统算法识别准确率可达87.23%,收敛速率提高了 20.92%。本文研究设计的基于深度学习的公交客流检测系统可以实现车内乘客采集、乘客识别判别、通讯显示等功能,系统弥补了目前公交客流系统在车载嵌入式检测方面的一些不足。同时,论文主要提出一种综合梯度下降算法的卷积神经网络模型,实验表明,该算法不仅提高识别精度还加快了收敛速率,特别适合于实时性检测。