高速公路是国家交通运输的重要环节,是国民经济发展的命脉,它的平稳运行维系着人民财产安全与国家经济发展。随着我国经济的高速发展,高速公路里程和交通工具数量随之急剧增加,给高速公路的管理运营带来极大挑战。基于机器学习的智能交通系统虽然一直是解决高速公路管理运营的重要手段,但传统机器学习系统的性能远远达不到实用的要求,随着深度学习技术发展与国家“AI+X”战略的实施,基于深度卷积神经网络的智能交通系统展露出巨大的应用前景,因此本文基于高速公路监控视频数据,研究基于深度卷积神经网络和计算机视觉技术的高速公路目标检测、细分类算法,提出了一个实时检测、准确区分多类别目标、计算消耗小的检测算法,并实现可以同时处理多路高清监控视频的智能交通分析平台,本文的主要工作如下:一、针对高速公路主线、支线、收费站、休息区、隧道等区域近百条高清监控路段提取数据构建了一个完整的高速公路目标检测数据集,包含十一种车辆、行人等目标类别,共计55260张检测图片,52万检测目标,涵盖夜晚、雨天、雾天等极端场景,此外构建了一个高速公路目标细分类数据集,包含十一种车辆、三种人员,共计39498张分类图片。二、基于检测数据集研究实时、高效的目标检测算法,调研通用检测算法在检测数据集上的性能,通过对比选择对Faster R-CNN算法进行优化:用轻量级网络MobileNetV1作为骨干网络,对second-stage特征提取器进行优化,从而提高模型检测速度。在此基础上使用eltw sum特征融合方法,对锚点框进行聚类,增加难例挖掘损失函数,提高模型检测准确率。最终的模型较好的平衡了检测准确率和速度,可以适应不同监控路段、不同天气、光照条件。三、针对细分类数据集分析数据集特点,探索常用分类网络性能,在保证不影响整体检测速度的情况下使用MobileNetV2网络,对其进行优化调整,分类准确率达到94.89%。四、基于优化后的目标检测算法和细分类模型搭建智能交通分析平台,对检测结果进行分析,实现行人入侵检测功能,设计目标匹配与追踪算法,对车辆行驶状态进行分析,实现非法停车、逆行、拥堵、缓行、车流量统计等功能。平台可以接入本地视频数据或者实时流数据,支持高清视频实时检测分析功能,并且提供实时报警、历史事件查询等实用功能。