随着城市居民私家车数量的增长,交通拥堵问题困扰着大多数城市,大力发展公共交通来分担城市居民出行率是一项缓解城市拥堵的重要举措。公交车内客流状态是适时调整公交车运营策略、优化线路规划以及乘客是否选择乘坐本次公交的基本决策依据。本文利用图像处理技术,采用卷积神经网络分类算法和目标检测算法来实现公交车客流状态的自动检测,对于提升公交出行的满意度、舒适度和吸引力,提升公交服务水平,缓解城市交通拥堵,具有重要的应用价值。首先,建立了四分类的公交车客流状态分类数据集共计12545张图片,训练测试了四种卷积神经网络。对其中表现较好的Vgg Net-16模型添加批归一化层、使用1×1的卷积层替换全连接层,使得模型精度提升至94.3%。对Google Inception Net V2模型使用Swish激活函数替换原有的Re LU激活函数,并调整第一层的卷积步长,使得模型精度提升至94.8%,改进后两模型的测试精度较原始模型均提升了0.6%。其次,构建了公交车客流状态检测数据集,采用迁移学习方法训练模型,对数据集中乘客头部标注框进行聚类改进模型先验框的尺寸以及对YOLOv3损失函数中计算预测框宽高损失的部分进行归一化的改进,使得模型对乘客头部目标的检测精度为91.4%,对公交车客流状态的测试精度为95.7%,模型的单张检测时间为25.7ms。为了提升模型的检测速度,采用改进YOLOv3-tiny网络和使用轻量化网络Squeeze Net替换YOLOv3的特征提取网络两种方法进行实验,使得两种模型能在一定的检测精度下,单张检测速度分别降至8.6ms和16.2ms,这意味着计算终端在同一时间内可以处理更多路的数据。为了解决原始YOLOv3中存在的对乘客头部小目标和乘客头部遮挡粘连目标的漏检问题,通过增加一个小感受野尺度融合检测的方法提升模型的小目标检测效果,将模型对乘客头部目标的检测精度提升为92.7%,对公交车客流状态的测试精度提升为96.1%。通过将Dense Net的设计思想融进Darknet-53网络中提高模型的特征提取能力,将模型对乘客头部目标的检测精度提升为93.1%,对公交车客流状态的测试精度提升为96.5%,以上两种算法相较YOLOv3原始模型,检测精度分别提升了1.3%和1.7%,对公交客流状态的测试精度分别提升了0.4%和0.8%。最后,从模型测试精度和性能两个方面对本文使用的两种解决公交车客流状态识别问题的方法进行了对比分析。