城市在快速发展的同时也会随之带来很多的城市交通问题,及时有效的进行城市监测和获取城市交通信息是必要的。遥感技术在监测城市交通信息中已经越来越得到重视。行人信息是城市交通系统中的基础信息,对行人进行监测是智能交通系统中重要的研究内容。本文总结出一种新的便捷的城市遥感监测方式即低空驻留平台,这种监测方式具有覆盖范围大、获取费用低、高低程度自由选择、实时观测的优点。但是低空驻留平台提取的交通行人视频也具有场景复杂、目标大小不一、识别难度大的特点。在最近几年中,随着各种各样的数据集出现和计算机性能的不断提升使深度学习技术在计算机视觉方面有了显著的成就,其中卷积神经网络在目标检测中更是具有泛化能力强、鲁棒性高的特点,所以本文结合低空行人视频和深度神经网络进行交通行人监测研究。在低空行人视频的监测研究中,本文主要从稀疏行人和密集人群两种情况出发。通过阅读文献和实验处理总结得到几种比较适用于低空驻留平台下行人检测的方法,在本文的研究中稀疏人群采用YOLOv3、Faster R-CNN、SSD三个主要算法并结合迁移学习,密集人群采用编码-解码和卷积+空洞卷积两类神经网络模型算法。实验过程中首先对自己采集和广泛搜集的行人数据集进行标注,再依次通过图像预处理、建立模型、训练模型、测试模型等流程完成实验。实验结果实现了对行人目标的精确检测,稀疏行人检测中模型的识别精度达到了94.5%,密集人群计数的实验中MSE指标达到了114,MAE达到了66.7,从实验结果得出训练模型的识别准确率较高、鲁棒性较好。行人检测模型是计数和追踪的前提,本文采用的行人计数方法是基于虚拟检测线的方法,可以实现通过检测线的双向计数,人流量的计算方法是采用基于卡尔曼滤波的目标追踪算法,其中对四个视频进行人流量计算的实验测试,平均检测精度达到91%。模型训练和测试完成后,拍摄校园的行人、道路交通行人和密集人群活动进行场景应用分析。探讨低空驻留平台监测城市行人的可行性,为使用遥感手段监测城市提供参考价值,验证深度神经网络技术是否满足低空行人视频监测的需求。