随着公共场合下客流量的不断增加和大数据技术的不断发展,公共场所下的客流统计对人流调度、城市设计、商场规划等都有着愈发重要的作用。由于在公共场合下布置摄像头成本低廉、安装方便,且随着近两年深度学习在视觉方面的不断发展,众多国内外厂家与研究者都致力于使用视频图像作为客流统计的主要解决方案,其具体表现为通过将摄像头中的行人进行识别并进行跟踪来得到每个行人的轨迹,通过轨迹分析来判别行人的出入行为。本文将客流统计系统拆解为目标检测、多目标跟踪及轨迹分析系统三个主要步骤,通过将轻量化的深度学习算法引入到系统的目标检测与目标跟踪算法中以解决当前客流统计系统准确度低、计算量庞大的问题,同时设计了基于多边形区域的轨迹分析方法以解决系统适用范围窄的问题。针对目标检测,分析了当前单步目标检测器结构存在的计算量大、上下文信息结合不充分、目标特征感受野不对应的问题。提出了通过使用Shuffle Net V2+作为主干网络,辅之以CEM、Carafe及FAM三个结构得到全新的CEFA-YOLO轻量级目标检测网络,解决了上述问题。将该算法与其他先进算法在公开数据集VOC上进行对比测试,较使用广泛的轻量级算法Tiny-YOLO有15.1的m AP提升,同时计算量减少了90%。针对多目标跟踪,设计了基于多级匹配的多目标跟踪方法。主要通过设计轻量级的行人重识别网络来得到目标的表观特征,同时通过卡尔曼滤波器预测获得目标的运动特征,最终将该两种特征进行叠加所得到的级联度量能够更好的表达目标物体的信息,从而弥补了传统IOU匹配只基于位置信息造成的跟踪不准确。通过在公开数据集MOT15上进行测试,获得了较好的跟踪效果,并进一步分析了该系统所适用的场景。针对轨迹分析系统,提出了一种基于多边形区域的轨迹分析方法,通过位置角度来确定区域的出入口位置,进而对目标轨迹的出入角度进行分析,判别目标的行为,解决了传统轨迹分析方法适用场景单一的问题。本文结合多边形区域提出了一种轻量化的区域局部检测方案,能够极大提高系统的效率,且不影响原有系统的运作,缓解了传统轨迹分析方法运算效率低的问题。同时在系统中加入人物目标信息采集方案,并提出了一种基于平均余弦距离与方差的特征判别准则,能够快而高效的寻找到目标代表帧,能够极大地提高系统的可用价值同时不会过多的增加系统负荷。基于以上算法得到的系统,本文使用南京信息工程大学食堂作为应用场景,针对食堂不同场所、不同拍摄角度及不同时间段分别进行了测试和分析。实验结果表明该系统在不同角度及时间段的多种场景下,均有较好的准确度表现,且运算速度快,计算消耗小,符合高效轻量的应用背景。