车辆跟踪算法是目标跟踪领域的一个分支,它将跟踪对象限定为车辆。其实现形式是使用计算机视觉技术,在一段视频或图像序列中,将相同的车辆连接成轨迹。以此为基础的应用有获得车辆行驶速度、检测交通事故的发生,追踪嫌疑车辆等。因此,车辆跟踪技术在智能交通、智慧城市、人机交互等多个领域有着广泛的应用价值。目标跟踪领域的研究已取得了一定成就,然而,相互遮挡、光照变化、角度变化、远距离目标等因素仍影响着算法的效果。本文针对车辆跟踪算法面临的车流量密集、车辆外观相似及场景多变的问题,在研究了跟踪算法的发展现状及经典方法后,提出了一种鲁棒的基于检测的车辆跟踪算法。本文的研究内容及创新成果如下:(1)针对密集车流量导致的目标遮挡问题,本文将基于MS COCO数据集训练的Mask-RCNN作为检测器,仅针对性的提取掩膜部分的视觉特征;同时将车辆类型作为特征的一种,通过简单有效的基于IOU(Intersection Over Union)的修正方法,优化检测器输出的车辆类型存在错误的情况;(2)针对应用场景多变导致的算法效果不稳定的问题,本文提取多个视觉特征,利用决策树算法决定各特征的重要程度,实现特征的自适应融合。本文在对比了固定权重、标准差权重、决策树权重三种特征融合方法后,通过实验证明了上述方法能够有效的增强算法的鲁棒性;(3)针对外观相似车辆交错时容易产生ID交换的问题,本文提出了 5种基于上下文的轨迹匹配特征,丰富了目标匹配的依据;并综合全部特征得到匹配损失函数,实现3种短期轨迹的聚类优化操作。本文通过对比实验证明了该算法能够有效的提升跟踪的准确率。本文将提出的算法在两个公开数据集上进行测试,结果表明该算法在整体准确性上表现良好,在不同场景下表现具有稳定性。