城市道路交通系统是一个复杂系统,系统中各个要素——行人、车辆、道路相互影响,交通参与者的感知能力有限,只能得知当前道路交通的局部状态,因而各交通参与者因应交通局部状态所进行的行为与实际应采取的行为产生了偏差,导致复杂性交通问题的产生,如交通拥堵、交通污染。目前为了克服交通复杂性的问题所应用的智能交通系统存在道路交通感知信息获取不全面的缺陷,仅能获取交通的宏观信息,而没有获取到交通要素的微观状态与运行信息。车路协同正是为了解决交通要素微观信息的获取而提出的,人-车-路三者的实时信息,在车路协同环境下,通过无线网络实现相互通信,让每位交通参与者获得全面的道路当前信息,从而实现整个道路交通系统稳定、高效、安全地运行,实现对复杂交通问题的解决。车路协同系统需要对车辆、道路、行人的运行状态进行实时感知与处理,仅仅依靠具有自主感知能力的网联车辆远远无法获取与处理如此丰富的信息,具有智能能力的道路可以协助车辆解决信息的获取与处理问题,道路路侧设备采用边缘计算的方式,实时感知判断推理决策道路上的人、车以及自身信息,实现对道路系统全局的控制。目前道路的感知方法主要通过非视觉模态传感器获取车辆和行人信息,相比于非视觉模态传感器大多仅能获取一种或少数几种物理信息,视觉模态传感器能在同一时间获取更为丰富的物理信息。视觉模态传感器与非视觉模态传感器均具有感知范围有限的不足,协同感知能够有效提升传感器的感知范围,对道路进行全方位地感知。本文针对智能道路的协同感知方法,进行了如下的研究:(1)分析道路交通的复杂性,论证车路协同对于解决交通复杂问题的优势,分析在典型车路协同场景下交通要素的特性,阐明车路协同在处理传统智能交通难以解决问题的作用;(2)比较视觉模态传感器与非视觉模态传感器获取交通要素优势与局限性,因此使用视觉模态传感器来获取交通要素,针对道路交通的主要要素——车辆,进行基于深度学习的目标检测、识别、跟踪及车流量统计,实现对车辆运行信息感知。(3)因应单一视觉传感器存在感知范围有限的局限性,提出视觉协同感知的方法与理论,比较传统的立体视觉感知与全景视觉感知的差异,对实现道路全景视觉的关键理论——不同视场下车辆的匹配进行了研究,提出非几何约束下视觉协同感知方法,运用深度学习的车辆再识别方法实现车辆的匹配。本文提出了基于视觉融合与深度学习的智能道路协同感知方法研究,开展了基于计算机视觉与深度学习的车辆检测与跟踪及计数实验,并进行了基于深度学习的车辆再识别实验,为交通管理部门提供车辆信息获取、不同交通卡口处车辆信息的匹配,实现对道路车辆信息的更全面获取,为交通诱导提供了相应决策信息。