中国的汽车保有量正处于一个逐年攀升的状态,汽车市场迎来了大爆发,与之相对应的道路交通问题也越来越突出。同时,中国的智慧城市建设方兴未艾,随着道路监控设备的普及,以及监控视频图像质量的不断提升,道路监控视频的数据存储量不断提升,从TB级别到PB级别,如何高效的利用这些数据,降低存储成本,是一个重要的课题。更能利用提取到的有用信息,辅助城市管理的指挥决策,实现城市管理的信息化、智能化。本课题研究了多种前沿技术并设计了一套完整的监控视频中多目标检测与多目标跟踪系统,工作主要包括两大部分。一、道路监控视频中目标的检测与分类,即目标检测算法的研究和检测器的设计,主要识别车、人、摩托车这三个类别的目标,目的是要获取各个目标在图像中的位置信息,并判断其类别,判断其分别属于三类目标中的哪一类。本部分主要使用深度学习技术,利用深度回归神经网络进行目标的检测。二、多目标跟踪算法。主要研究了基于核相关滤波算法的KCF跟踪算法在监控视频中的应用,并设计了预测校正模块,利用卡尔曼滤波算法对跟踪器进行实时校正。系统将检测器与跟踪器结合为一个有机的整体,利用第一部分设计的检测器,将检测到的交通目标的位置及类别信息用来初始化跟踪器,进行多个目标的跟踪,并结合后续检测器的持续检测,与跟踪器的数据进行数据关联,对跟踪器进行矫正,结合异常情况处理技术,排除漏检、误检、跟踪目标丢失等状况,确保跟踪的鲁棒性与准确率。最终,在实际监控场景中对完整的系统进行了性能测试,检测器与跟踪器均达到了预期设计的性能指标。