基于深度学习的监控视频中车辆的检测与跟踪.pdf

摘要

机动车辆方便了人们的出行，但是道路上日益增多的车辆也导致了交通拥堵

等现象的频繁发生，加大了交通管理的难度。因此，实时监测道路的车流量状态，

以避免拥堵，对于提高交通管理效率和保障民众出行安全具有重要意义。通过利

用遍布道路的监控设备，对车辆进行检测和跟踪，我们可以实现车流量的实时监

测。但是，由于当前道路车况复杂，车辆之间相互遮挡等难点，依靠传统的图像

处理技术对监控视频中的车辆进行检测和跟踪已经不能满足实际要求。深度学习

技术的蓬勃发展，恰好为分析监控视频数据提供了新思路。本文以监控视频中的

车辆为研究对象，在对其检测和跟踪方面利用深度学习相关技术展开一系列研究，

主要研究工作如下：

（1）提出了一种基于改进YOLOv5s的交通监控场景下的车辆检测算法。首

先，为了增强网络的特征提取能力，引进坐标注意力机制和多头自注意力机制，

提高车辆的识别率；然后，为了提高网络的定位能力和推理性能，用SIoU替换

原来的边框回归损失函数；最后，为了提高小目标检测能力，在检测头部增加一

层更浅的特征层，由三尺度检测变为四尺度检测，以此来检测更小的目标。实验

结果表明，改进的YOLOv5s相比原始算法均值精度提高2.9个百分点，检测速度

达到51FPS，具有一定的精度和实时性。

（2）提出了一种基于运动和外观信息的多目标车辆跟踪算法。首先，为了

提高运动预测准确性，本文提出了一种根据运动匹配代价和检测置信度评分来自

适应更新噪声的卡尔曼滤波器；然后，为了充分利用运动和外观信息，本文使用

扩大了匹配范围的GIoU距离矩阵表示运动信息，使用通过Resnet50结合RPTM

策略在VeRi776数据集训练得到的车辆重识别网络提取的外观特征之间的余弦距

离矩阵表示外观信息，并将两者组合得到组合距离矩阵；最后，根据对不匹配的

轨迹和检测进行处理提出了一个轨迹恢复策略。实验结果表明，该方法对于交通

监控视频中的车辆跟踪任务具有良好的跟踪效果，能够满足复杂交通场景的实际

应用需求。

（3）在车辆检测和车辆跟踪的基础上对车流量进行统计。首先，在之前检

测和跟踪工作的基础上提出了基于虚拟线圈的车流量统计方法；然后，对系统进

行总体结构设计；最后，对系统进行功能测试。通过在交通监控视频场景中与人

工计数方式进行比对，验证了该系统计数功能的可靠性，可以实现简单高效的监

控视频中的车流量计数。

关键词：深度学习，车辆检测，车辆多目标跟踪，YOLOv5s，车流量统计

Abstract

Motorvehiclesfacilitatethetravelofpeople,buttheincreasingnumberofvehicles

ontheroadhasledtofrequenttrafficjamsandmadetrafficmanagementmoredifficult.

Therefore,real-timemonitoringofroadtrafficflowtoavoidcongestionisofimportant

significanceforimprovingtrafficmanagementefficiencyandensuringpublictravel

safety.Byutilizingsurveillanceequipmentscatteredacrossroadstodetectandtrack

vehicles,andwecanachievereal-timetrafficflowmonitoring.However,duetothe

complexityofcurrentroadconditionsandchallengessuchasvehiclesobstructingeach

other,traditionalimageprocessingtechnologycannolongermeetthepractical

requirementsforanalyzingsurveillanc