多数语义分割网络利用双线性插值将高级特征图的分辨率恢复至与低级特征图一样的分辨率再进行融合操作，导致部分高级语义信息在空间上无法与低级特征图对齐，进而造成语义信息的丢失。针对以上问题，改进双边分割网络（BiSeNet），并基于此提出一种高低维特征引导的实时语义分割网络（HLFGNet）。首先，提出高低维特征引导模块（HLFGM）来通过低级特征图的空间位置信息引导高级语义信息在上采样过程中的位移；同时，利用高级特征图来获取强特征表达，并结合注意力机制来消除低级特征图中冗余的边缘细节信息以及减少像素误分类的情况。其次，引入改进后的金字塔池化引导模块（PPGM）来获取全局上下文信息并加强不同尺度局部上下文信息的有效融合。在Cityscapes验证集和CamVid测试集上的实验结果表明，HLFGNet的平均交并比（mIoU）分别为76.67%与70.90%，每秒传输帧数分别为75.0、96.2；而相较于BiSeNet，HLFGNet的mIoU分别提高了1.76和3.40个百分点。可见，HLFGNet能够较为准确地识别场景信息，并能满足实时性要求。

现有监测系统无法很好地应对疫情环境下存在的交叉传染以及追溯困难等问题，因此提出了一套基于边缘计算的公共交通检测系统的设计方案。首先，建立图数据库来储存乘车人员与乘车信息，同时使用双数据库模型防止建立索引带来的阻塞，从而完成插入效率与搜索效率的均衡；其次，在车辆人像信息提取中，采用HSV色彩空间对图片进行预处理，并建立人脸三维空间模型来提升神经网络的识别准确率，在目标佩戴口罩时，通过较明显的鼻尖特征点、下颌特征点与未遮挡的鼻梁部特征点回归出其口鼻等特征点信息；最后，通过k度搜索快速找出密切接触乘客。在特征对比测试中，该方案在BioID数据集和PubFig数据集上分别达到了99.44%和99.23%的正确率，且在两数据集上的假阴性率均小于0.01%；在图搜索效率测试中，在浅层次搜索的时候，图数据库与关系型数据库并无较大差异，当搜索层次变深时，图数据库效率更高；在验证理论可行性之后，模拟了公交车与公交站的实际环境，经测试所提系统在其中的识别准确率为99.98%，识别时间平均约为21 ms，符合疫情监测的要求。所提系统设计可以满足疫情时期公共安全的特殊需求，能够实现人员甄别、路径记录、潜在接触者搜索等功能，从而有效地保证公共交通安全。