公交车作为居民出行的主要公共交通工具，由于实时客流量信息的不足，导致经常出现严重的空乘和拥堵现象。因此，迫切需要一种科学合理的公交站台客流量采集手段，为公交车的实时规划调度提供决策支持，这样不仅可以充分有效地利用现有的公共交通资源，同时更能减少乘客候车的时间，进而提高乘客的乘车满意度。　　目前，获取公交站台的实时客流量信息的方法，主要是通过安装在公交站台的摄像头对站台的候车人数进行检测统计，因此本文针对公交站台行人检测系统的关键技术进行研究，如何在提高行人检测精度的同时保证检测速度是研究的重点。　　针对目前视频行人检测中存在的检测精度和实时性无法同时保证的问题，本文首先采集大量公交站台的视频，用基于高斯混合模型的背景建模方法处理视频序列，获取大量二值图片；然后裁剪这些图片得到固定大小的正负样本，并在此基础上提取正负样本图片的HOG特征，通过支持向量机（Support Vector Machine，SVM）训练得到分类器；接着用基于高斯混合模型的背景建模方法处理检测场景的视频序列，降低背景因素的干扰，减少负样本的训练量，同时缩减感兴趣区域，提高检测速度，并匹配训练的分类器；进而结合分类器，用固定大小的滑动窗口对处理后的视频序列进行行人检测；并在此基础上提出了一种滑动窗口距离优化算法对HOG（Histogram of Oriented Gradient）行人检测算法进行改进，同时存储检测结果；最后用基于头部特征的行人检测算法检测存储的结果，进一步提高检测精度，输出最终检测人数。实验表明，本文提出的行人检测方法具有较高检测精度，并且检测一帧视频序列的时间低于300ms，符合实时性要求。　　本文设计并实现了公交站台行人检测系统，能快速且精确地检测出公交站台的行人，证明了本文提出的基于改进的HOG行人检测算法和基于头部特征的行人检测算法的有效性以及其实用意义。