随着计算机视觉技术的迅速发展,智能化应用已经渗透在生活的方方面面。智能交通已成为城市发展的主要趋势,准确的获取道路交通信息是实现智能交通的基础。然而对道路参数的获取主要来源于专业人员的人工统计与计算,其监控效率低,不利于实时指导交通流。本文利用基于深度学习的目标检测算法,对城市交叉路口车辆进行识别检测,并针对实验场景,设计道路车辆停车检测,车辆排队长度和车流量的统计与检测。主要研究内容如下:(1)研究分析了YOLOv3-tiny的网络结构,YOLOv3-tiny训练好的原始模型直接运用到车辆检测,会出现明显的漏检和检测不全等问题。针对这些问题,在实验数据集上复现了YOLOv3-tiny,并对YOLOv3-tiny的主干网络进行了分析与改进,设计了四种不同的主干网络结构:第一种和第二种网络结构仍然保留YOLOv3-tiny的直连模型,以卷积替换池化,第三种和第四种都引入了残差结构。在相同数据集和训练条件下分别进行训练、测试,实验表明,其中表现最好的主干网络为第四种。并在表现较好的模型中引入了CBAM注意力机制,分别在通道尺度和空间尺度进行注意加权,通过实验分析,引入注意力机制的网络在Recall,m AP和F1值上均有性能提升。(2)通过对本实验场景的研究分析,场景中的边缘对比信息较为明显,实验证明,在数据增强中加入高斯锐化能增强网络的精确度,同时在数据集中加入噪声也能提升网络的精确度。Anchor值作为目标框的先验知识,与预测结果密切相关,获取数据集更贴切的Anchor值有助于模型更好的学习预测。实验通过k-means获取实验数据集的Anchor,相比原始Anchor的测试结果,获得m AP的性能提升。(3)将改进后的YOLOv3-tiny模型,应用到城市交叉路口的道路车辆停车、车辆排队长度和车流量等事件检测中。对三种事件的检测规则和流程做了详细研究,设计了车辆停车检测,车辆排队长度和车流量的完整检测流程。在此基础上,利用Python3.7开发环境,实现了城市交叉路口车辆检测软件。