智能交通系统作为一种先进的交通管理技术,越来越受到人们的重视,同时随着计算机硬件水平的提升,许多复杂算法所带来的实时计算困难的问题已逐渐突破。本文所研究的车辆检测技术是道路安全监控系统中的重要组成部分,该研究对于智能交通系统的发展有着重大意义。本文首先研究了车辆的特征提取方法。针对卷积神经网络所提取的单层图像特征信息不充分的问题,同时为了降低车辆行驶过程中自然环境(光照强度及拍摄角度的变化、背景多样性等)的干扰,以及在训练过程中节约内存、加快计算速度,本文提出将CNN后三层特征融合,并经PCA降维后输入SVM分类器的车辆识别方法。该方法以AlexNet模型为基础,通过实验对比不同参数的测试正确率,构建卷积神经网络模型,得到最优车辆识别系统;采用串行融合方法将所提取的网络后三层车辆特征图进行融合,并通过主成分分析得到一个信息充分的车辆特征向量,以提高车辆识别的准确性和实时性;为了增强模型泛化能力与纠错能力,将CNN的SoftMax采用SVM分类器代替,实现车辆识别。实验结果表明,相比传统特征提取方法,本文方法显著提高了车辆识别速度和分类精度,且具有良好的鲁棒性。其次研究了目标检测与跟踪算法。为了保证车辆检测系统的实时性,提出YOLO V3作为车辆目标检测基础模型,采用K-means++聚类算法对目标候选框进行了聚类分析,以提高模型对未知对象的检测能力,并在网络浅层增加了特征提取层,可提取到更精细的车辆特征,提高网络对道路车辆的检测性能,此外,为加强网络对远近不同目标的鲁棒性,在保留原YOLO V3输出层的同时,增加了一层输出层;然后对改进的YOLO V3模型进行训练,实现车辆目标的检测。之后引入Deep-Sort算法,对目标进行跟踪,YOLO V3属于目标检测算法,Deep-Sort属于跟踪算法,同一系统中采用了这两种算法会导致同一目标被重复检测,降低检测性能。为解决重复检测的问题,利用匈牙利算法对所得检测数据进行关联匹配,去除YOLO V3和Deep-Sort算法同时标记的车辆目标,实验结果表明,该方法查准率和召回率分别达到90.16%和91.34%,在保证检测速度的同时,提高了查准率和召回率,且对于不同大小目标的检测具有良好的鲁棒性。论文着重研究了车辆特征提取、检测与跟踪三方面的相关算法,首先采用卷积神经网络对车辆特征进行提取,在此基础上,改进了YOLO V3网络,并引入Deep-Sort算法进一步提高了检测性能。通过实验发现:论文所做的设计与改进,不仅提高了车辆检测的准确性,在一定程度上也提升了检测效率。