随着经济环境的持续发展,机动车保有率迅速上升,导致交通状况不断恶化,城市拥堵日益严重,并衍生出许多交通事故和环境污染问题。基于此,针对道路交通流的检测与跟踪统计等研究课题受到了广泛关注。本文将结合实际道路环境,利用视频图像处理技术和深度学习理论对交通流进行分析处理,引入深度卷积神经网络以解决传统算法深受光照变化、车辆粘连、背景干扰等影响而导致车辆检测失效的问题,并提出基于重叠率匹配和图像特征提取的车辆跟踪统计算法,最终实现一个高准确率的交通流统计系统。本文主要研究工作如下:(1)研究基于深度卷积神经网络的车辆检测方法。针对传统视频图像处理技术检测运动目标时容易因光照和天气变化、车辆前后遮挡、彼此粘连等现象而导致出现较高漏检率和误检率的问题,提出利用深度卷积神经网络对运动车辆进行检测,并通过从多个视频场景中采集不同型号、外观、角度的车辆制作训练样本,对SSD(Single Shot MultiBox Detector)网络模型进行训练,极大的提高了车辆目标检测的实际场景适应性与检测精度。(2)研究基于重叠率匹配的车流量统计算法。在检测并提取出运动车辆之后,本文设计以目标区域边界重叠率为车辆匹配准则,并结合虚拟线圈技术提出了分车道车流量跟踪统计算法。不仅能解决拥堵路段,由车辆密集导致的错误计数问题还具备较高的算法执行效率。(3)研究运动车辆相关性判断方法。为了解决在车辆跟踪统计过程中由于视频帧检测固有的非持续性而导致错将同一辆车重复计数的问题。本文使用SURF(Speeded Up Robust Features)特征点提取算法提取出运动目标的特征,作为图像相似度计算的依据,再根据图像相似度判定车辆关联性。(4)设计实现基于OpenCV的智能交通流跟踪统计系统。使用SpringMVC作为JavaWeb系统开发的基础框架,MySQL作为数据库用于存储统计结果。在整个系统的开发阶段,进行了需求分析、概要设计、详细设计、系统实现和功能测试,保证了系统的稳定性和实用性。最后,通过对系统的功能测试和性能测试,验证了本文交通流检测与统计系统具备极高的准确性,并在复杂场景下具备较高的稳定性。研究结果可应用于实际交通场景中,并对交通运输行业的发展有一定积极意义。