基于视频数据的智能跟踪与目标行为分析等技术目前已经成为了智能交通系统中的新兴研究方向,借助计算机对监控网络下的视频序列进行信息学习与组合,可以有效判断目标车辆的行驶轨迹、行为类别或潜在风险,并加以有效处理。但是监控网络中摄像机的切换也会带来视角、光照或其他变化因素导致目标在多摄像位点下的跟踪精度低。而对于庞大的视频数据量进行处理也会造成跟踪过程冗长缓慢。所以本文的研究思路在于首先利用专业的检测模型将视频图像进行检测,筛选候选车辆集合。再利用车辆重识别及检索的思路,通过多特征融合形成车辆描述子。通过车辆描述子的联合距离度量并排序,从而选定候选车辆集中的最优解判定为目标车辆进行跨摄像头之间的车辆跟踪。为了验证课题选定的研究路线的有效性,进而构建出精度高、鲁棒性强的单一车辆跨摄像头跟踪系统,论文进行了多方面、多角度的研究工作。(1)选用SSD模型作为基础架构进行车辆检测模块部分的构建。在对原网络存在的不足之处进行深入的理解与剖析之后,结合最新的技术路线(例如密集模块、融合多尺度特征、归一化损失函数等)建立了Inception-dense-SSD网络结构,并利用专业数据集进行有效地训练。通过在不同数据集下以及实际场景中的检测实验验证了改进算法在复杂背景与遮挡、尺度变化等情况下的有效性与优异性。(2)研究多任务学习框架在车辆重识别领域中的应用,根据实际对Rep Net框架进行改进。使用了性能更好、速率更高的Dense Net-201模型结构替换了其原有的特征提取结构,在度量分支中进行Triplet loss约束之前加入了对全连接层的L2范数归一化处理。实现了车辆更具区分性的细粒度特征(像是年检标识的粘贴情况、车内装饰物的摆放、车身划痕、引擎盖凹凸等细节信息)提取。(3)研究基于多模态信息进行车辆综合表征的车辆跨摄像头跟踪策略。在输入的每一图像帧经过车辆检测模块后提取车辆图片并组成检测车辆图片集,再利用图片集中的每个待检索图像与目标车辆图片之间的颜色相似度、SURF相似度和多任务学习框架提取的细粒度特征相似度进行联合距离的确定。在联合距离没有超过设立的阙值参数的情况下选择车辆的最优检索结果,由此实现目标在不同摄像位点间的持续跟踪。综上,论文基于检测—多维度特征提取—重识别与检索的算法设计思路,分别对各模块的相关理论与方案进行了学习与探讨。结合实际需求对各模块的实施方案进行完善优化,最后搭建的跟踪算法模型在有效的对照试验后表明:在一定程度上减少了误检率,跟踪准确度综合在70%以上,对于多摄像头车辆跟踪的研究具有一定的意义。