随着道路交通的迅速发展,交通场景下视频图像处理系统的重要性日益增加。目标检测作为图像处理算法中的一个重要步骤,其精度和速度对于整个系统来说至关重要。传统的目标检测需要依靠经验由人工定义特征,检测性能不佳且鲁棒性差,而近年来深度学习的迅速发展使得基于深度神经网络的目标检测算法在检测精度和速度方面都有令人惊喜的表现。本文主要研究将基于深度学习的目标检测算法应用于交通场景中的视频图像处理中,利用深度学习完成目标检测功能,在此基础上实现交通场景中典型违法现象的检测并完成系统实现。本文的主要工作如下:(1)研究深度学习中目标检测技术在交通场景视频监控系统的应用。选择YOLOv3作为本文目标检测所用的基础网络结构,给出了在YOLOv3网络结构下针对特定目标的参数训练方法,并利用YOLOv3的网络结构和自行训练的参数完成了交通场景中特定目标的检测。另外,对YOLOv3模型进行改进,增加预处理层对夜间图像进行图像增强,提升了该模型在夜间图像上的检测性能。(2)研究实际监控场景下违法现象的判定方法。通过基于YOLOv3的目标检测算法检测出每帧图像中的目标信息,在此基础上给出了基于最大目标面积匹配算法实现目标跟踪的方法。同时,基于最小二乘法对监控区域中的禁停区域、道路标线以及道路隔离设施的边界信息进行拟合,并结合目标轨迹和道路信息,定义了交通场景中典型违法现象的判定准则。(3)研究基于深度学习的交通违法现象智能检测的具体系统实现。建立了包括数据采集模块、服务器计算模块和客户端人机交互模块的智能检测系统的硬件框架,并建立了包括数据流获取、参数配置、目标检测、目标跟踪、违法判定、证据提取和证据上传模块的智能检测系统的软件框架,完成了完整实用系统的硬件构建和软件系统编程及测试,对典型违法行为进行了抓拍取证,测试效果良好。