近年来,基于视频处理的智能交通管理系统已被广泛的使用在违规检测、车辆管控等场景下。作为智能交通管理系统的子系统,通过提供不同时段,不同类型的车流量信息,以辅助交通管理人员通过调整信号时长或其他手段来疏导交通、进行车辆预分流,以达到缓解路面压力的目的。本文首先简要描述了车辆检测技术在国内外的研究与发展状况,对传统方法存在的弊端进行了讨论与分析,阐述基于深度学习算法的车流量检测系统的设计背景与意义。对于经济欠发达的地区,采用基于图像处理的方式进行流量检测,可大大节约成本。系统分为三大模块:车辆检测器、车辆跟踪器、存储引擎。车辆检测器模块中,根据车辆检测的实时性需求,选择了 YOLOv2算法,并利用TensorFlow开源框架,完成了车辆检测器的训练与预测。车辆跟踪器模块利用检测器的检测结果,结合质心跟踪算法,为每一跟踪对象更新位置,保证了目标的唯一性。存储引擎统计并存储每个类别的流量。为满足本系统的实时性处理与响应要求,使用时序数据库OpenTSDB存储流量信息。将“数量统计”与“车辆类型”组合成六种时间线,以时间为单位对记录进行存储。根据请求计算的粒度大小,最快支持毫秒级响应。系统支持用户以时间、类别为单位进行检索与分析、实时查看车流量情况、提供流量告警等功能。