随着人工智能及大数据处理技术的不断发展,能够实现大范围、全方位、实时性,准确性、海量数据处理的智能交通系统已成为未来交通系统的发展方向。车辆目标的检测及识别跟踪技术的研究,作为计算机视觉领域的研究热点,在智能交通系统上具有广泛应用,可以解决例如肇事车辆追查、行车跟随、车辆信息采集等问题,并且可以通过编写为智能算法来完成目前需要投入大量人力和时间成本的交通车辆管理工作。尤其对于目前新兴的无人驾驶领域,车辆目标检测及识别算法是其所需具备的关键技术之一,通过该技术,无人驾驶汽车可以准确避让车辆,确保行车安全。因此,对车辆目标的检测及跟踪技术的研究,具有重要的理论意义和实用价值。本论文主要的研究内容和创新点包括:1.提出了一种改进差分阈值算法,该算法在帧间差分阈值算法的基础上,结合了背景去除法进行预处理,并采用了一种移动目标分簇法来提高检测精度,并在图像差分的环节上采用动态阈值的方法来减少光线对检测效果的影响。该算法具有传统帧间差分阈值法实现过程简单,检测实时性高,抗噪声效果好等优势,而且可以解决帧间差分阈值法的“双影”现象,并且相比三帧差分阈值法来说,检测框的检测效果更好。从检测的实验效果来看,本文提出的算法具有检测效果好,受光线和噪声干扰影响小的优势。2.本文采用一种深度神经网络结构来对检测的目标进行识别,采用了YOLO3的新深度神经网络结构Darknet-53来进行特征提取,并采用YOLO3的logistic函数来处理分类问题,具有车辆目标识别及区分效率快等优点。从实验分析情况来看,能够很好地对移动车辆目标进行标识跟踪,取得了一定的实用效果。本论文主要分为了目标检测及目标分类两大技术环节,实现对监控场景中的移动车辆进行实时地检测并标识。所以可以应用在移动车辆目标检测及跟踪。