智能交通系统能准确、高效地综合道路上的各种交通信息,提高运输效率,在道路交通中发挥着重要作用。交通车辆跟踪是智能交通系统的重要组成部分,通过对交通视频中的目标车辆进行跟踪,可以获取到车辆的位置、运行速度、运行加速度、运行方向等信息,并由此来分析车辆的闯红灯、违规停车、超速行驶等违规行为。因此,实现对车辆进行准确、稳定的跟踪,对于智能交通系统的发展尤为重要。然而,实际交通场景通常比较复杂,视频中的车辆在行驶过程中经常会受到相似目标车辆、尺度变化等一系列因素的干扰,从而影响车辆跟踪的准确性和鲁棒性。基于此,本文展开了对交通车辆跟踪的研究。论文的主要研究内容和成果如下:将多域卷积神经网络引入交通车辆跟踪中,并针对其存在无法有效应对相似车辆干扰和尺寸变化的问题,提出融合DenseNet和注意力机制的改进多域卷积神经网络车辆跟踪算法。首先,使用DenseNet121网络前端的两个密集块和一个转换层替换原始多域卷积神经网络的主干网络,利用密集连接的方式将不同层的特征进行融合,提取出更加细微的特征和丰富的空间信息,实现对目标车辆的精确定位,改善尺寸变化对跟踪效果的影响;然后,在网络中加入通道注意力机制,通过特征重标定抽取出更关键的目标车辆信息,增强模型对目标车辆的分辨力。最后利用OTB100数据集中的部分车辆视频对多域卷积神经网络车辆跟踪算法和改进的多域卷积神经网络车辆跟踪算法进行验证,并对两种算法的实验结果进行对比和分析。由于在实际的智能交通系统中,使用最多的监控手段仍然是固定于道路旁的定点监控摄像头,因此,验证车辆跟踪算法在定点监控摄像头获取的车辆视频的跟踪效果是很重要的。本文选取3个实际路况下采集的车辆视频对多域卷积神经网络车辆跟踪算法和改进的多域卷积神经网络车辆跟踪算法进行实验,并对实验结果进行对比和分析。