智能交通系统融合了计算机技术、交通工程、通信技术等多种技术,为人类出行提供方便。视频车辆的检测和跟踪是智能交通监控系统的核心部分。本文设计并实现了Jetson TX2嵌入式平台上的车辆跟踪系统检测。利用SDI摄像头采集视频,并将视频数据转换成YUV420M格式,针对获取的动态视频进行车辆跟踪,然后将跟踪后的视频数据送到HEVC编码器上进行编码,输出码流经过RTP封装后通过UDP协议发送到PC端,在PC机上利用Gstreamer接收、解码并显示跟踪视频。在视频中的车辆进行跟踪时,运用了车辆检测及跟踪算法,在传统的车辆检测及跟踪算法的基础上,本设计作出如下三方面修改:(1)多尺度检测的算法改进:为解决自然场景下的通用目标检测框架对小车辆目标检测性能不足的缺陷,提出一种多尺度检测的Faster R-CNN目标实时检测器,对Faster R-CNN算法引入了多尺度检测技术。相比传统的Faster R-CNN检测方法其架构更加简单,模型更小。通过使用Tensor Flow框架在Jetson TX2上对VOC 2007数据集、Kitti数据集及实际交通数据集进行实验,其结果验证了精准度平均提升了15.4%,召回率平均提升了13%。(2)基于预测轨迹技术的跟踪算法改进:针对传统的KCF(Kernel Correlation Filter)算法在跟踪过程中无法对目标的尺度变化做出有效处理的问题,本文在跟踪过程中融入了尺度优化机制,并结合Kalman滤波算法对车辆的运行轨迹进行预测,完成轨迹信息的校正,实现车辆目标的持续跟踪。根据实验证明与传统的KCF算法相比精准度提升了23.9%左右。(3)针对速度问题,本文用Tensor RT对Tensorflow框架进行快速和高效的部署推理。实验证实,经过对学习框架进行优化后算法的速度提升了6.3倍。