城市公交作为缓解交通拥堵和减少交通污染问题的关键,近年来公交车数量和运营路线在不断攀升。但是由于公交的线路规划和运营管理依然处于较为落后的状态,公交系统的运营效率依旧低下,乘客满意度差,无法获取可靠详细的乘客客流信息是造成此现象的重要原因之一。本文在分析国内外获取公交客流信息技术的基础上,以改善公交运营管理、路线规划和乘客换乘条件为目的,通过理论和实验分析对多特征融合的公交乘客重识别方法进行了研究,同时定性分析了多特征对重识别系统结果的影响,并对环境影响和系统优化提出了解决方案,为建立更加稳定有效的视频乘客重识别模型和提升系统工程应用价值奠定了研究基础。首先,本文通过安置车载相机结合视频自动获取程序实现公交视频数据集的获取,并介绍了基于视频处理的YOLOv5目标检测和Deep Sort多目标跟踪算法的理论基础,基于二者截取乘客人像,作为重识别系统的基本数据处理单元。同时,为提升乘客重识别的准确率,引入人像质量评估机制筛选出特征最清晰的乘客图像作为标准人像,完成上车视频数据处理形成标准人像库。其次,通过数据集训练深度学习模型完成对乘客多种特征的检测,并重点介绍了YOLOv5训练口罩分类器的过程,利用训练过程数据验证模型的性能参数。同时利用分类器检测结果设计乘客多特征标签内容,结合乘客面部特征组成本文多特征体系。最后,充分考虑乘客视频数据集特点,通过统计分析乘客特征一致性设计本文的乘客多特征内容,并以多特征结合人脸特征以最大相似度匹配乘客获得实验结果数据。为减少结果中错误匹配率,分析不同相似度阈值对实验结果的影响,选择合适相似度阈值平衡准确率与错误匹配率。同时,定性分析多特征对重识别系统的结果影响,并针对环境条件影响与乘客人像库提出了优化方案。