车辆轨迹数据是在某时段或路段中，车辆行驶形成的位置序列，包含着丰富的交通数据和车辆行驶行为等信息。对于交通流理论、车辆行驶行为、交通冲突点等模型的建立起到了支撑作用。近年来，无人机航拍视频代替普通摄像视频应用在交通视频采集中，具有便捷、高效、拍摄视角广等优点。无人机航拍视频可记录道路上大量的车辆行驶轨迹，若使用人工对所有车辆进行标记提取其运行轨迹，不仅效率低下，还容易出现遗漏车辆的情况。本文旨在利用计算机视觉代替人的视觉，实现对航拍视频的车辆轨迹提取。主要研究成果如下：
　　（1）针对无人机在航拍视频过程中，由于受风力以及自身云台影响发生抖动而导致图像出现偏移的问题。本文采用基于SIFT特征与RANSAC算法进行图像配准，以第一帧图像为基准图像，对其余视频序列帧进行配准，给出每一帧对应的单应性矩阵。
　　（2）利用双边滤波器、形态学解决了采用背景消除法的传统运动目标检测会存在的轮廓模糊、噪声污染等问题。针对图像中的伪目标问题，本文提出了八邻域轮廓跟踪法获取前景物体轮廓，并根据车型物理特点删除伪目标的方法。
　　（3）应用单应性矩阵变换到基准图像中的原理，研究了在视频图像中布设检测器的问题。车辆拟合轮廓中心点落在检测器内为依据来确定检测车辆，并将其获取的车辆轮廓坐标加入跟踪队列表中。
　　（4）为得到所有车辆的运动轨迹，利用融合FHOG和CN特征的KCF算法对跟踪队列表中的车辆进行轨迹跟踪。并将跟踪车辆在每一帧图像中的拟合轮廓中心点坐标进行连接从而获取当前跟踪车辆运动轨迹，重复此过程，即可获取所有车辆运动轨迹。最后针对重复的车辆轨迹，利用LCSS算法进行删重。
　　（5）利用上述一套流程方法对无人机航拍的平峰期和高峰期视频进行试验，验证了本文算法的有效性。成功对各个时段路段上车辆的轨迹进行提取，同时获取了交通量、速度、加速度三种交通信息。试验表明平峰期车辆轨迹提取成功率达到98.8%，高峰期车辆轨迹提取成功率达到98.3%，同时试验证明不同车型的车辆轨迹也能很好的进行提取。
　　综上所述，本文提出的上述基于无人机航拍和计算机视觉识别的车辆轨迹提取方法能较好的提取车辆轨迹和交通量、车速、加速度等交通参数，可以为后续的其他交通增值应用提供技术支持。