随着经济的快速增长,国内汽车持有量出现持续的快速增长,汽车数量的大量增长给城市交通带来了巨大的压力,出现了拥堵等一系列的问题,制约着各地区的社会进步和经济发展。提高道路的通行能力、减轻交通拥堵和减少交通事故的发生等问题亟待解决。城市智慧交通的出现,可以在一定程度上减轻城市交通压力。基于监控视频的交通流检测是智能交通的重要组成部分。本文专注于交通流检测领域的多目标运动车辆检测与跟踪技术研究。基于视频的运动目标检测与目标跟踪主要应用在视频监控、视频图像压缩、智能交通、机器人导航、医学图像分析、工业检测等领域。由于监控视频的环境多样、场景不一、目标多样、干扰较多等问题,需要对运动多目标的检测与跟踪技术进行研究,以更好地应用交通监控视频中进行交通流的检测。本文在多目标检测跟踪的基本理论下,提出了基于视频的运动车辆检测和跟踪方法。针对城市交通路况复杂的环境,基于深度学习的Mask R-CNN(掩膜区域CNN)算法识别车辆轮廓。然后采用Kalman滤波器对视频序列中的车辆目标进行运动跟踪和统计。利用文本采集的视频样本进行实验,实验结果表明,本文方法在白天、夜间和拥堵路况等场景均能够有效检测,能够准确的检测出车辆位置并进行跟踪,在白天、夜晚、拥挤道路等多个场景测试中平均检测准确率达到95.45%,具有较好的准确率和鲁棒性,基本满足实际交通流视频检测的要求。论文的主要工作及创新之处如下:1)在现有公开车辆数据集基础上,采集补充并标注近万张车辆图像,尤其是国产车型图像。完善后的车辆数据集涵盖网络车辆图像和来自于城市交通实际监控视频提取的车辆图像,并收集多个不同场景的相关测试路段的交通视频作为实验数据,测试图片数据集包含白天、夜晚、夜晚雨天、交通拥挤等不同路况场景;2)设计实现了一个基于Mask R-CNN的多目标车辆检测模型。通过区域分割完成车辆区域与背景区域的切割去除背景干扰,对前景图像进行细粒度识别。经过相应的改进以及不断调试,优化模型,提高模型的有效性,经训练,目标检测的mAP达到59.37,对数据集内自然图像车辆位置检测准确率达到100%,对实际监控视频感兴趣区域内车辆位置检测准确率达到98.3%;对于多标签分类任务,自然场景图像平均正确率为93.70%;监控视频截取的白天场景图像平均正确率为94.91%,夜晚场景图像平均正确率为88.18%;3)基于Mask R-CNN车辆检测和Kalman运动目标跟踪的交通流检测算法。针对城市交通监控视频,利用Mask R-CNN检测的精准车辆轮廓,用Kalman滤波进行多目标实时跟踪,提高了复杂交通路况下多目标车辆的计数准确性和实时性。