交通状态检测是利用交通感知技术获取交通状态参数的技术,旨在为交通控制与管理提供数据支撑。现有的交通状态检测手段存在监测范围有限及成本高的弊端,因此寻找一种低成本、监控范围广的交通状态检测方式具有重要意义。本文结合机器视觉算法研究适用于城市快速路的无人机交通状态检测方法,旨在克服无人机自运动特性的不利影响,并充分发挥无人机成本低、轻便灵活及视野广的优势,主要工作如下:1、无人机车辆检测数据集构建本文基于实地采集的道路视频数据构建无人机俯拍视角下的车辆检测数据集。通过数据筛选及人工标注获得1800帧图像数据,包含超过10万个车辆样本。该数据集适用于车辆检测及分类网络的训练与测试,为后续实现车辆检测提供数据支撑。2、适用于无人机的车辆检测追踪算法设计本文基于Yolov5检测网络及Deep Sort多目标追踪算法,设计适用于无人机的车辆检测追踪算法。采用基于检测进行追踪（Detection-Based-Tracking）的思路,运用车辆检测数据集训练Yolov5网络作为车辆检测器,Deep Sort算法作为车辆追踪器,取得了良好的检测追踪效果。3、无人机自适应车辆轨迹数据校正算法研究为解决无人机悬停时无规律自运动特性对车辆轨迹数据精度的影响,本文提出地空信息融合模型,利用场景中静态的道路关键点建立无人机像素坐标系与世界坐标系的联系。通过将车辆轨迹数据由像素坐标系转换至世界坐标系对轨迹数据进行校正,以规避无人机自运动的影响,提高车辆轨迹数据精度。4、基于车辆轨迹数据的交通状态参数提取及应用实例本文提出基于车辆轨迹数据的交通状态参数提取方法,交通状态参数包含车辆级交通状态参数与车道级交通状态参数,并从两种角度分别给出不同的车道级交通状态参数推算公式。最后结合城市快速路的实地数据分析验证方法的有效性,并提出交通拥堵检测及交通事件检测两种应用实例。本文提出了完整的无人机交通状态检测方法流程,为无人机在现代智能交通系统中的应用提供了理论及技术参考。