行人的检测和属性识别属于计算机视觉的研究内容,它们的任务是从图像或视频序列中找到“感兴趣”的区域,并对“感兴趣”的区域标记和分析。近年来,基于深度学习的算法提高了检测识别的性能,得到了更多的关注。本文研究在公交车场景下乘客的头部检测及属性识别,由于乘客被拍摄的角度是俯视视角,乘客的头部信息最多且不易受遮挡影响,所以把乘客头部作为检测目标,并且不同乘客拥有不同的头部特征信息,通过特征学习可以有效地识别属性。尽管目标检测和属性识别取得了很大发展,但在实际的公交车应用场景中仍面临不少问题:第一,乘客上车途中的头部尺度发生变化,甚至产生形变;第二,拥挤的人群导致头部部分信息被遮挡;第三,不同光照环境下相同头部目标产生不同变化。为了解决以上问题,本文基于深度学习的算法搭建了头部检测及属性识别网络用以学习头部特征。本文的具体工作如下:1)构建基于简化YOLOv3的公交乘客头部检测网络。首先分析了基础网络结构对检测模型的影响,设计了轻量的基础网络结构并嵌入到检测框架中,构建了公交车乘客头部检测的数据集,接着与其他网络模型做了对比实验,实验结果表明提出的模型能实现高准确度、实时的头部检测,同时在公共数据集Brainwash上也有不错的表现。2)设计基于注意力机制的头部属性识别网络。首先设计了基于注意力机制的属性识别网络结构和带有权重参数的损失函数,构建了公交车乘客属性识别的数据集,接着通过对比实验分析了不同注意力模块对识别性能的影响,实验结果表明加入注意力融合模块能得到更好的属性识别效果。