智能交通系统的逐步建立,对交通视频中车辆的检测和跟踪需求不断地在扩大。本文针对交通视频中车辆检测和跟踪的现有方法进行了深入研究,并对存在的问题进行了分析,然后结合MS-CNN检测网络和Tracking by Detection的跟踪算法提出了本文中的算法。本文的主要工作如下:1.针对交通视频中的车辆检测,本文提出了基于深度学习的改进版本的MS-CNN检测网络。该框架的设计和实现是为了解决两个问题:1)为了解决传统的运动目标检测算法在复杂情况(光照突变,画面抖动,车辆遮挡等)下检测正确率较低的问题,本文利用基于深度学习的MS-CNN,通过对大量复杂情况下的车辆训练数据进行学习,能够更加准确、稳定地在复杂的情况下检测出车辆。2)为了进一步减少MS-CNN的训练和检测计算时间,我们将网络中的提取特征网络VGG换成PVA,用更轻量级的网络更好的效果来改善检测的时间和效率。2.基于Tracking by Detection的跟踪算法,本文基于道路车辆的轨迹特点,对算法做了改进:1)在检测网络检测准确率比较高的前提下,使用Tracking by Detection的跟踪方法非常适合。2)在道路上的车辆行驶的轨迹比较稳定的特点,采用非常适合本场景的线性的模型对多目标(车辆)进行跟踪。3)由于对多目标进行同时追踪,本文的算法比较简洁,效果非常好的同时保证了速度,支持实时性。3.基于上述检测和跟踪的时空信息,融合检测和跟踪算法,对检测和追踪的效果分别进行修正:1)跟踪算法的跟踪目标起点是由检测算法提供的,高准确率的算法是对跟踪算法有力的支撑。2)跟踪算法匹配不到所要检测的目标情况下,并不选择马上丢掉跟踪目标,而是继续跟踪,对于车辆暂时被遮挡的情况很有效果。3)当车辆被部分遮挡的情况下,检测算法并不能对其中的两辆车进行分离的时候,跟踪算法可以对检测算法的结果进行修正,提高准确率。4.本文不仅在公开数据集KITTI上进行了实验,而且基于广东省交通集团提供的广东省高速公路监控视频数据,制作了一个有12834张图片,超过6万个正样本的高速公路交通视频车辆数据集,用于进行算法的实验和验证。在这个数据集中,本文提出的算法和现有方法相比,同时具有较高的准确率和较快的速度,能取得较好的效果。