车辆跟踪是目标跟踪领域内一个重要的单元,在计算机视觉和目标跟踪逐渐火热的今天,由于其目标的独特性和在实际生活中的广泛应用受到各国学者和工程人员的关注。在智能交通系统中,车辆跟踪是尤其重要的研究任务,车辆目标的表观特点、交通场景中的复杂干扰、摄像头移动和视频质量等问题都给车辆跟踪这一课题带来很多不确定性和巨大的挑战。车辆跟踪在智能交通系统中扮演着关键的角色,对于车辆管理、道路交通设计乃至城市规划都具有非常重要的意义。本文在分析车辆跟踪原理,总结研究成果的基础上,为提高车辆跟踪算法的准确性和鲁棒性,完成了以下工作:1)目标跟踪系统中,检测精度将影响跟踪效果,针对车辆检测算法由于信息的提取能力较差而导致检测精度低的问题,对深度学习主干网络框架Darknet53进行改进,提出C-YOLO检测方法。算法加入残差块改变卷积层的特征提取深度,最小特征图由13×13改为8×8,增大特征图感受野,使得检测方法能够更好地应对交通场景中车辆表观特征变化的问题。实验结果表明,算法对于车辆被遮挡、小尺寸的车辆目标检测、背景杂乱干扰等问题有一定的处理能力,检测精度得到有效提升。2)针对KCF核相关滤波器算法面对干扰时出现跟踪漂移的问题,提出了一种基于Darknet53网络和核相关滤波的Y-KCF车辆跟踪方法。在跟踪器获取目标信息的基础上,借助判别思想,使用深度学习的Darknet53检测框架对跟踪结果进行辅助更正,用修正后的结果更新滤波器,从而为后续的跟踪过程提供模板。通过数据集验证可知,该方法解决了相关滤波跟踪算法在车辆受到干扰和遮挡情况时跟踪结果较差的问题,尤其对车辆目标发生尺度变换时跟踪效果明显提升,实时性较好,符合实际需求。3)针对多目标跟踪中车辆信息模糊、类别信息单一的问题,提出一种改进的跟踪方法。该方法借用深度学习的网络框架改进SORT中的检测模块,借鉴基于检测的跟踪思想,先利用YOLOv3检测方法提取视频帧中全部车辆目标的坐标及类别信息,将其提供给卡尔曼滤波跟踪器,得到每个车辆的跟踪框,再通过匈牙利匹配算法对检测结果和跟踪结果级联匹配,根据阈值判断结果的匹配程度并区分不同的车辆目标,从而完成跟踪任务,最后更新滤波器模板并进行下一帧的跟踪。实验结果表明,该算法能够适应道路交通场景中多目标的车辆跟踪,具备良好的性能。