面对由交通摄像机组成的超大规模城市传感器网络,实现对车流信息的高效、联动处理是智能交通系统（Intelligent Transport System,ITS）建设的迫切需求,极大地推动了多目标多摄像机（Multi-Target Multi-Camera,MTMC）跟踪技术的发展。本文针对城市多路口的复杂交通环境,建立了基于时间与空间信息的摄像机链路模型,重建车辆的行驶路径,提出了从端到端,即由原始视频输入到语义视频输出的跨摄像机车辆连续跟踪的框架。通过车辆检测、跟踪和重识别等关键技术,实现了在多摄像机中对多车辆的连续跟踪。论文具体的工作和创新点如下:1.基于目标检测框中心点估计的车辆检测模型构建方法研究。为了提高车辆检测的性能,我们使用随机尺度和随机翻转对COCO训练数据集进行了数据增强,并在基于DLA-34和Hourglass-104网络结构的特征提取网络上进行了试验,比较其用于车辆目标检测的准确率和运行效率。针对小目标检测不稳定的情况,在训练车辆目标检测模型的基础上,将尺度约束用于过滤较小分辨率的检测。设计的车辆目标检测模型有效地减少了不稳定的检测结果,降低了车辆检测的误检率。2.基于运动状态估计和深度特征关联的单摄像机多车辆跟踪模型构建方法研究。为了降低车辆运动状态的不确定性的影响,对这两种度量方法的融合方式进行改进,将车辆图像的深度特征作为主要的匹配方式。同时,针对场景中易出现遮挡和轨迹丢失的情况,设计算法对车辆的被遮挡状态和轨迹从视野中消失的情况进行识别。另外,对车辆目标的跟踪状态进行建模,实施随目标跟踪状态转移的不同跟踪策略。设计的算法对被遮挡和漏检等情况下的车辆跟踪,均有较强的适应性,还通过“慢开始”等策略减少了同一目标跟踪的标识ID频繁切换的问题。3.基于时空约束的多摄像机多车辆目标跟踪方法研究。针对复杂交通场景下车流量多、车型相似等情况导致的多摄像机车辆轨迹关联困难的问题,提出了基于摄像机的地理方位信息和道路网络的联结关系,建立时空约束的跨摄像机车辆匹配链路模型,以缩小车辆图像跨摄像机匹配的搜索范围。研究尝试了不同的方法在City Flow训练数据集上重新训练基于深度特征提取和排序的车辆重识别网络,并基于车辆跟踪的结果,提取关键帧序列在City Flow多路口场景测试。设计的模型在极大缩短跨摄像机车辆匹配时间的同时,还提高了车辆链路匹配的精度。实验结果表明,本研究提出的方法可在城市复杂交通场景下实现对跨摄像机行驶的多车辆目标进行连续跟踪,以及还原车辆在多个摄像机视野中的连续行驶轨迹,具有较高的跨摄像机车辆跟踪精度和运行效率。