近年来,汽车已经成为了不可或缺的出行工具,汽车的数量逐年增长,交通拥挤问题日益严重,这给人们的生活、工作等各个方面都带来了许多负面影响。监测道路上车辆的密集程度,对缓解交通拥挤问题具有实际意义。提取交通参数的传统方法存在安装困难、成本较高、准确率易受影响等不足。而交通视频监控的图像直观可见、信息提取简单,故从视频监控的图像中获取车辆数据,成为了交通参数提取方向中较为主流的方法。计算机性能和机器学习算法的蓬勃发展,使得深度学习渐渐出现在广大学者的视野当中,成为了计算机视觉领域的重要算法。作为深度学习的重要分支,卷积神经网络在目标检测、图像分类及图像分割等方面都有优异的表现。本文将卷积神经网络引入到交通密度估计中,并通过对卷积神经网络模型的优化,提升本文交通密度估计方法的性能。本文的主要工作内容如下:(1)针对传统密度估计方法中,人为设计特征和提取特征非常复杂的技术难点,提出了一种基于卷积神经网络的交通密度估计方法。利用卷积神经网络,以交通视频监控的单帧图像作为输入,将图像上的所有车辆作为一个整体,根据车辆的密集程度输出不同的交通密度等级,实现从全局的角度对车辆整体进行端对端的密度估计。并且参考已有的卷积神经网络模型,搭建适合本文方法的卷积神经网络模型。(2)对卷积神经网络模型进行基于多特征和基于轻量化两方面的优化,从而提升交通密度估计方法的性能。首先,在网络模型中添加多尺度特征提取和多层级特征融合两个模块,减弱摄像机透视效果对网络模型提取特征的影响,提高了交通密度估计方法的准确率。其次,在网络模型中构造瓶颈结构,使用小尺度卷积核和全局平均池化层,大大减少模型的参数量,降低了交通密度估计方法的计算成本。(3)制作交通图像数据集TD-Dataset,并使用Keras深度学习框架,设计并实现本文提出的交通密度估计方法,验证了本文优化的卷积神经网络模型在交通密度估计问题上的高可用性,估计的平均准确率可达97.1%。