随着智能交通的需求,车联网系统是改善城市交通压力的一个重要突破点。其中车辆计数已经成为一个重要的问题,它可以用来缓解交通拥堵,提高交通灯的通行效率。城市规模的多摄像机车辆跟踪也是智能城市和交通管理中的重要任务。道路交通异常检测是计算机视觉的基础工作,在视频结构分析和城市交通分析中起着至关重要的作用。本文针对车联网环境下基于深度学习的路网交通优化研究,将主要对车辆计数、车辆跟踪和交通异常检测方法进行研究。研究内容如下:首先,本文是基于深度学习研究车辆检测方面的问题,所以先对深度学习的相关概念、基本神经网络做了简单介绍,再对目标检测、目标跟踪所用到的基本算法做了简单介绍。其次,提出了基于形状的运动分配方法对特定区域进行车辆计数。车辆检测方面使用Faster R-CNN作为检测器,采用改进的骨干网络Res Net-50作为特征提取器,Res Net-50的缺点是下采样模块不能充分利用好输入的信息,所以首先对Res Net-50的下采样模块做了改进并加入了通道注意力机制,再对NMS策略进行了优化,为了更好地利用多尺度上下文信息,还使用FPN进一步增强了主干。提出了检测增强方法和马氏距离平滑方法来提高多目标跟踪性能。对于车辆计数,精心设计了一种基于形状的运动分配方法,按运动对每条轨迹进行分类。实验结果表明了该方法的有效性和可靠性。接着,提出一种高效的多摄像机车辆跟踪方法,具有聚合损失和快速的多目标跨摄像机跟踪策略。首先,通过目标检测和共享检测特征的多目标跟踪模块,在单个摄像机视图下提取小轨迹。之后,通过多相机重新识别模块匹配生成的小轨迹。最后,消除孤立的小轨迹,并根据重新识别结果同步跟踪目标。实验结果表明该方法获得了更高的成功率。最后,提出了一种基于模块化组件的多粒度跟踪方法来分析交通异常检测。该模块化组件由四部分组成,包括检测、背景建模、掩膜提取和多粒度跟踪算法模块。具体来说,分别采用框级跟踪分支和像素级跟踪分支进行异常预测。每个跟踪分支都有助于捕获不同粒度层次的异常抽象,为异常行为的概念学习提供丰富互补的信息。最后,采用融合回溯算法对异常预测进行优化。通过实验,本文方法的F1得分和准确率都得到了提升。