随着轨道交通行业的飞速发展,地铁出行的安全和效率问题逐渐变成社会持续关注的重点,尤其是站内的高密度客流产生的安全隐患问题。因为传统模型运算量大,跟踪速度慢,且在高密度遮挡环境下跟踪效率低,无法满足地铁站内拥挤人群环境下的高效、精确、实时的跟踪要求。针对现有算法存在的弊病与不足,本文提出了一种基于深度学习的地铁客流检测跟踪算法,主要研究工作分为以下几个部分:基于深度学习的客流检测技术。在常规地铁站内场景下,分析了SSD和YOLO系列算法,本文从特征网络的设置、预测目标的原理以及训练过程展开研究。在自建的数据集VOC_sub进行训练、测试和评估,通过实验对比,YOLO_v3算法对客流的检测效果最优。同时在高密度高遮挡的情况下,常规目标检测算法难以满足要求,因此设计使用基于深度学习的CSR_Net网络模型对客流进行密度估计,通过模型训练,能够得到较为准确的客流密度估计结果。基于深度学习的客流跟踪技术。针对传统目标跟踪算法存在对目标和背景的混淆情况,造成易漏检和检测错误的问题,本文引出基于孪生网络的单目标跟踪算法,包括Siamese-FC、Siamese-RPN和SiamMask三种模型算法,但单目标跟踪需要自行划定跟踪的客流目标,浪费人力和时间。本文针对其缺点,将YOLO_v3检测算法的输出作为多目标跟踪网络的输入,并且改进了特征提取网络设置,选择效率较高的深度网络ResNet-50替代AlexNet;采用深度互相关计算替代卷积互相关计算方法决定跟踪模版;还配置了跟踪目标更新机制:IOU阈值判断,以解决客流变化复杂的问题。并在本文数据集上完成实验的检验和评估对比,证明了本文提出的算法能显著提高地铁客流跟踪的精度和效率。本论文研究了基于深度学习的客流检测、密度估计和客流跟踪算法,提出了对客流先检测后跟踪并产生密度估计的技术框架和算法流程,克服了传统模型存在的检测不准确、跟踪不清晰的问题,实现了对客流运动轨迹和密度分布的有效监控。客流监测的相关研究工作具有较好学术促进意义,对交通枢纽的流量监管、应急预案、布局优化等应用工作具有较好的借鉴价值。