航拍目标的检测与跟踪是计算机视觉方向的重要研究领域。在道路交通监控方面,航拍图像有着固定摄像头难以超越的优势。无人机航拍图像视野范围广,视角统一便于识别。特别是在一些临时紧急情况需求下,无人机的灵活性能更好的适应快速多变的需求。近年来,深度学习算法的优越性,使得其应用范围快速扩大。在目标检测领域,深度学习方法相对于传统算法获得了巨大的进步。在召回率,精确率等指标上均获得了质的提升。本文使用深度学习方法,并将航拍车辆的检测跟踪问题分为三个部分进行处理:航拍车辆目标检测,航拍车辆车身方向检测,航拍车辆跟踪。之后将这三个部分进行结合,具体做法如下:一:训练针对航拍车辆的目标检测网络。由于目前的公开目标检测数据集中没有航拍车辆这一种类别,所以本文在已公开的目标检测预训练模型基础上,使用新标注的航拍车辆数据集再次训练该模型,从而使得模型能够检车航拍车辆目标。使用RFCN网络模型进行检测,召回率达到92.78%,精确率达到87.38%。二:提出针对航拍车辆车身方向的方向检测网络。本文深入研究了航拍车辆跟踪中的目标旋转问题,针对已检测到的航拍车辆目标,设计了用于检测车辆车身方向的卷积神经网络。该卷积神经网络的网络输出为一个360维的向量,并归一化,分别对应0~359度。网络输出向量标签为归一化高斯函数,其均值等于车辆的方向角度值。之后在测试集中进行测试,当预测角度误差不超过10度时,准确率达到97.24%。之后将车辆车身方向信息用于跟踪算法中。三:本文设计了两套演示系统,第一套系统主要演示航拍车辆目标检测、车身方向检测功能;第二套系统主要演示航拍车辆目标检测,方向检测及跟踪功能。目标检测使用R-FCN模型,针对640×480大小的图像,在i7-6700HQ,GTX950平台上达到了3.5帧每秒的检测速率。方向检测达到500帧每秒的检测速率。实验结果表明,本文能够以较高精度完成航拍车辆的目标检测、车身方向检测和目标跟踪任务,并且该方法具有较高的实用性。