智能交通系统(Intelligent Transportation System,ITS)是旨在充分利用先进的信息技术、传感器技术、人工智能技术等实现实时、高效、准确的综合交通运输及管理系统。其中一个关键的技术环节是车辆目标跟踪。车辆目标跟踪利用人工智能及图像分析技术对车辆进行跟踪,不仅能够节省安装雷达等其他跟踪设备的成本,还能为后续车流量检测等高级任务提供数据。但是,由于车辆之间的外观拥有极高相似性,以及拥挤车流造成车辆之间不同程度的遮挡,使得车辆跟踪一直存在准确率低的问题。同时,大多数结合人工智能的目标跟踪算法都依赖于高性能的硬件设备,而在智能交通系统中更多是由大量嵌入式设备组成,所以目前存在的算法并不适合直接应用于功耗受限的嵌入式设备。为了提高跟踪准确率,确保在实际复杂监控场景中具有更好的效果,探索在嵌入式设备上实现车辆跟踪算法的可行性,本文进行了以下研究:1.当前主流的车辆跟踪技术通常采用基于检测的跟踪策略。这种跟踪策略存在的一个主要问题是目标检测器的性能有限,从而在车辆检测过程中会产生噪声。本文提出一种基于孪生神经网络和反向预测验证的车辆实时跟踪方法。该方法主要分为前向位置预测、反向预测验证和加权合并三个部分。该方法能有效缓解因目标检测器产生噪声而造成跟踪性能下降的情况。同时,本文在UA-DETRAC车辆数据集和MOT17数据集上分别对所提算法进行了性能评估。实验结果表明,在UA-DETRAC数据集上,所提出的算法在20.1fps运行速度下,跟踪准确率优于目前主流的方法,在MOT17数据集上,所提出的算法能够保持较高处理速度,且性能接近主流水平。2.本文基于NVIDIA Jetson TX1嵌入式平台,完成了车辆跟踪系统的设计与实现,系统主要分为两个模块,第一个模块是基于修改的YOLO(You Only Look Once)目标检测算法的车辆目标检测模块。实验结果表明,YOLO算法能较好地识别出交通监控视频中的车辆。第二个模块是利用本文所提出的车辆跟踪算法实现的车辆目标跟踪模块,并在Jetson TX1嵌入式平台上与一种基于全局优化的跟踪算法进行对比实验,实验表明本文所提算法在Jetson上也能保持高跟踪准确率和跟踪速度,证明了本文算法在嵌入式设备上实现的可行性。