城市道路交叉口是城市交通运行的瓶颈,其组成成分比一般道路更为复杂,可供研究的交通流参数也很多,提升交叉口的通行效率的前提是及时准确地获取交叉口交通流参数并判断路口交通运行状况,这就使得交叉口交通检测技术还有很多的发展空间。交通流信息检测是交通流信息采集系统的核心部分,决定着道路交通管理与控制方案的决策和智能交通系统的运行效率。随着计算机视觉算法近几年的迅速发展和智能交通的发展需要,基于视频车辆识别追踪的视频检测技术逐渐成为交通流信息检测的研究热点。要提升交叉口通行能力,需要对交叉口交通运行特性和状态进行分析,准确实时地获取交叉口交通参数对交叉口信号控制优化等有重要作用。许多有关视频交通检测技术的文献都致力于如何发展图像处理技术以降低漏检误检概率,但是仍旧很难真正满足交通工程应用需要。本文使用基于深度学习的车辆识别追踪算法,达到了较好的视频车辆检测效果,将目标识别追踪结果转换为目标车辆的实时轨迹,用计算机视觉技术之外的方法提取了完整的目标范围内车辆时空轨迹信息,用于交叉口交通流参数的获取。主要研究内容如下:(1)使用深度学习算法对交叉口视频的车辆进行识别与追踪,在人工标定一定数目数据集为模型训练提供真实值的前提下,以0.04s的时间间隔获取有效检测范围内的车辆轨迹数据,基于图像透视投影变换的摄像机自标定法对文中交叉口视频进行摄像机标定,将车辆像素轨迹数据转换为实际道路轨迹数据,相比其他交通检测技术,本文获取的车辆轨迹数据更加接近全样本数据,能更加全面地获取交叉口交通流参数。(2)根据视频车辆识别追踪技术获取的车辆轨迹信息的误差特征,提出基于时空位置的轨迹合并方法,解决目标车辆因为目标识别IDsw导致的轨迹被拆分成无数小段的情况,以找到视频范围内被检测到的某一目标车辆的完整轨迹,然后针对识别丢失导致交叉口视频有效范围内车辆轨迹缺失的情况,根据交叉口排队车辆的跟驰特性,提出一种基于分段跟驰模型的轨迹补齐,最终得到完整的视频检测区域内交叉口轨迹数据。(3)基于完整的车辆轨迹坐标数据获取交叉口视频有效检测范围内的交通量、速度、排队长度、车头时距、饱和流率、车辆延误等交通流参数,得到交叉口通行能力和服务水平。在使用车辆轨迹数据计算控制延误时,发现视频拍摄的交叉口范围内并不能完全包含车辆的完整减速过程和加速过程,通过对车辆驶过交叉口的减速过程与加速过程进行还原计算控制延误。