随着社会和科技的飞速发展,道路上的车辆越来越多,智慧交通和无人驾驶汽车将成为未来交通的趋势。在智慧交通和无人驾驶汽车技术中,多目标车辆跟踪则成为不可或缺的一环。国内外众多学者在多目标车辆跟踪领域展开重点研究,虽然取得了成果,但是仍存在一些难题。例如当跟踪的车辆较多、车辆发生形变、车辆相互遮挡或者行车环境复杂时,车辆跟踪效果就会变差。本文围绕上述多目标跟踪算法存在的问题,对车辆检测和车辆跟踪的算法进行研究,在降低漏检率,提高跟踪准确度等方面提出一种基于检测的多目标跟踪算法,主要进行的研究工作如下:目前的多目标车辆检测算法漏检率偏高,在实时检测中精度低,对实际场景中较小的目标车辆检测存在困难。本文针对这些问题对YOLOv5进行优化和改进。首先,为了降低训练和推理所需的开销,在特征融合网络中加入改进的空间金字塔池化层。实验结果表明,加入该模块后模型的参数有了明显的减少,实现更丰富的梯度组合,减少了训练和推理的消耗;其次,为了提高车辆目标检测精度,将YOLOv5骨干网络中卷积模块中的激活函数替换成无边界且更加平滑的Mish激活函数,通过实验验证了使用Mish激活函数的YOLOv5算法检测精度得到提高;最后,在原网络三尺度预测的基础上增加一个尺度,设计了四尺度预测网络,输出更丰富的语义信息,从而更好的检测多目标。实验结果表明,本文改进后的YOLOv5算法虽然在检测速度上与改进前相同,但是精确率和召回率均有所提升,总体上提高了对多目标车辆的检测能力。在实际交通道路上车辆较多,相邻的车辆在行驶中避免不了相互遮挡,并且车辆的速度也不是保持不变的。这就给准确跟踪车辆带来了很大的难度。鉴于此,本文提出一种改进DeepSORT算法来解决上述问题。DeepSORT算法中使用的卡尔曼滤波用于求解线性系统,而实际生活中都是非线性系统,因此在跟踪阶段本文利用扩展卡尔曼滤波来对车辆目标的状态进行预测和更新;然后对DeepSORT中的深度表观描述网络进行重新训练,使得网络学到的特征适合车辆的跟踪;最后,因为IOU这种度量方式无法衡量检测车辆与跟踪轨迹之间的相邻程度和相交的方式,所以用GIOU代替IOU,提高DeepSORT跟踪算法的匹配能力。通过对比实验得出改进后的算法在检测精度和准确率上均有提升,并且因为遮挡导致跟踪失败的情况也大幅减少。根据实验结果得出,本文提出的多目标车辆跟踪算法能够适应实际交通环境并且还能保持较好的跟踪效果。