随着轨道交通网络的快速发展,科学有效的管理城市公共交通对于维护公共秩序与规划交通运营有着重要意义。实时准确的客流监控成为决策规划的重要依据,其中基于深度网络模型的行人检测是客流监控系统的关键技术。深度学习方法从大量样本中学习特征,对样本的数量和质量有较高的依赖性,实际检测问题收集到的样本时常会出现数量不足与图像质量不佳等问题。同时深度卷积神经网络通常采用增加网络层数的方法提升学习能力,导致模型参数量多,时间复杂度高影响实时检测性能。本文针对地铁客流图像中的行人检测技术展开研究。首先,本文提出采用场景迁移方法对地铁行人检测样本进行数据增广。该方法基于对真实照片迁移效果较好的Fast Photo Style风格迁移网络提取内容图像与风格图像的特征,得到具有风格图片样式与内容图片内容的新样本,并对风格化结果进行平滑减少失真。该方法能够实现在样本较少时基于新场景迁移得到逼真的新样本,同时能够保持检测目标的形状与位置不变,不需要重新进行检测标签的标注,实现对检测样本的数据增广。其次,本文提出了一种将暗通道去雾算法与自适应色彩均衡算法联合的图像增强算法。采用暗通道去雾算法能够有效改善地铁行人样本所存在的图片灰蒙感,光照不均,对比度较弱等问题,同时加入自适应色彩均衡算法优化暗通道去雾使图像变暗的问题,提升样本质量,最终使深度神经网络能够从多种质量的图像中学习特征,提升模型泛化能力。再次,本文设计了一种针对YOLOv3原始网络结构进行检测网络卷积模块去重化与卷积方式优化的轻量化网络结构。针对行人姿态外貌多变、背景复杂等问题,本文选取性能较好的darknet53网络作为特征提取网络,同时根据本文地铁行人检测速度需求对深度网络中大量重复卷积模块进行去重化,并使用参数量更少的depthwise卷积方法替换原始卷积方式,降低网络时间复杂度,提升检测速度。最后,基于上述几项关键技术的研究,本文训练了针对地铁客流的行人检测模型,较好的实现了检测模型精度与速度的平衡化,验证了本文方法的有效性。