交通场景下丰富的数据资源,使车辆检测跟踪及应用的研究具备丰富的数据基础。相关技术中多目标检测跟踪主要实现车辆跟踪、定位与分类功能,从而准确获取道路交通运行情况,为交通突发事故的处理及道路交通建设规划做出重大的贡献。根据当前虚拟引擎技术的发展,针对真实交通场景公开多目标跟踪数据集局限性的问题,本文分析并构建虚拟交通数据集,同时对多目标跟踪和平滑轨迹的获取问题进行研究,进一步分析并实现车辆参数提取与事件检测。主要研究内容如下:1.虚拟交通数据集的构建。针对现有交通场景公开多目标跟踪数据集的不足,基于虚拟交通场景构建多目标跟踪数据集。该数据集以Unreal Engine 4虚拟引擎为底层驱动,在Carla仿真平台上真实还原道路交通车辆运行情况。该虚拟交通数据集具有数据量庞大、场景复杂、数据文件信息详细等优势。最后根据该虚拟交通数据集,分析其模拟车辆异常事件、三维检测、速度估计等应用。2.交通场景多目标跟踪技术研究。在获得YOLOv4目标检测算法准确的检测结果之后,结合目标检测结果和目标自身训练的尺度自适应滤波器,再根据发生遮挡时目标响应值的方差和卡尔曼线性匀速模型,实现了一种改进的基于KCF的单目标跟踪算法,该算法能够获取更加贴合的目标边界框,并对漏检和遮挡进行处理。为提高多目标检测框和已有轨迹的匹配准确度,综合多种特征度量方法,提出一种多特征融合数据关联的多目标跟踪算法,实现场景中的多目标持续跟踪和轨迹的获取。最后针对轨迹存在抖动的问题,提出Savitzky-Golay轨迹平滑算法,获取目标平滑轨迹。3.交通场景下车辆参数提取与事件检测。首先,根据多目标跟踪算法获得的车辆平滑轨迹,自动设置车辆行进方向以及上下行检测线,准确地获取多个道路交通参数。其次,通过融合场景中零散的轨迹信息,提出一种基于投票机制道路交通模式的构建、维护和更新方法,增强算法的主动性,并以此实现了车辆个体异常事件检测。最终分别在真实道路交通场景和虚拟道路交通场景下,对本文所提出的算法进行实验与分析,验证了算法的可行性和准确度,表明本文所使用的方法可以满足实际应用的需求,对智慧交通的发展起到了推进的作用。