为解决由交通拥堵引发的一系列问题,智能交通系统应运而生,通过实时获取城市道路交通流量信息,并在此基础上进行智能化疏导,从而缓解交通压力,减少环境污染。其中关键技术之一就是交通流量的检测,近年来,基于智能视频检测的方法被广泛关注,但是图像算法复杂度高,需要消耗较大的计算资源。因此智能交通系统中交通流量的检测往往采用云计算模式,所有视频从网络边缘端采集传输到云计算中心,由云计算中心运行图像算法来检测交通流量。但交通监控视频占用存储大,网络传输带宽有限等问题给智能交通系统实现高效的交通流量检测带来了很大挑战。本文以智能交通系统中的交通流量检测作为研究任务,并针对交通监控视频中的道路环境,结合深度学习和边缘计算技术,设计并实现了一种将交通流量检测任务卸载到边缘的方法。其中具体的研究工作如下:(1)提出一种交通流量检测任务边缘卸载的方法。云计算中心迭代基于交通监控视频的深度学习类车辆检测与车辆跟踪算法,主要包括算法模型的训练以及测试。然后将训练好的模型迁移至边缘智能设备Jetson TX2,并在该设备上进一步实现交通流量检测算法以完成在边缘实时检测交通流量的任务。(2)设计实现基于YOLO(You Only Look Once)的车辆检测器。针对传统目标检测算法精度低,检测速度慢等问题,本文使用实时性较高的YOLO网络对车辆进行检测,并通过简化模型,缩减检测类别,使用K-Means聚类方法修改anchors等手段调优网络参数。经过训练测试,最终得到一个精度良好,实时性较高的车辆检测器。(3)设计实现基于Deep-SORT(Simple Online and Realtime Tracking with a Deep association metric)的多目标跟踪算法。交通流量的检测往往需要结合车辆检测与跟踪。本文实现了基于Deep-SORT的多目标跟踪算法,并针对该算法的特征提取器未学习车辆特征的问题,我们使用车辆重识别数据集重新训练Deep-SORT跟踪模型。经过测试,重新训练后的模型对车辆目标跟踪准确度好,实时性高。(4)设计实现基于YOLO和Deep-SORT的多目标实时跟踪计数器。本文将YOLO检测器和Deep-SORT跟踪算法相融合,并利用虚拟检测线法统计经过检测线的车辆数目来实现交通流量的检测。并进一步提出间隔多帧跟踪方法来优化计数器,经过测试,可以在边缘智能设备Jetson TX2上实现高准确度的实时交通流量检测。最终成功将交通流量检测任务从云端卸载到边缘,使得交通监控视频在边缘就得到处理,缓解了传输和存储的压力,并提升了智能交通系统交通流量检测的效率。