随着我国经济实力的不断提升,高速公路建设得到飞速发展,高速公路总里程位居世界第一。由于我国西部地区山地地形较多,隧道大量存在于高速公路中,隧道内部相对封闭、环境复杂,是车辆通行的瓶颈路段和事故多发地段,若能够实时掌握隧道内部实际情况对道路管理部门及时开展相关工作具有十分重要的意义。由于单摄像头下的车辆跟踪范围存在局限性,不能满足对隧道内车辆持续跟踪的需求。因此,研究高速公路隧道跨摄像头车辆跟踪系统非常有必要。本文对高速公路隧道场景下的车辆检测、多目标跟踪以及跨摄像头跟踪方法进行了研究,主要内容如下:(1)车辆检测与跟踪相关算法研究。研究了传统的帧间差分法和混合高斯背景建模法以及基于深度学习技术的YOLOv3目标检测模型,并进行车辆检测对比实验,实验结果表明,在隧道场景下YOLOv3检测模型的检测效果更好;然后介绍了Cam Shift和DSST跟踪算法的原理并通过实验对比了两个算法的跟踪效果,实验结果表明,DSST算法的跟踪效果更好。(2)单摄像头下的多目标跟踪方法研究。研究了基于DSST算法的多目标跟踪方法,该方法采用YOLOv3作为车辆检测器进行DSST跟踪器的初始化。首先研究了基于匈牙利算法的多目标匹配原理,然后对多目标跟踪过程中新目标判定、校正跟踪器和目标离开判定进行了分析。实验结果表明,该方法具有良好的多目标跟踪效果。(3)跨摄像头车辆跟踪方法研究。针对隧道内部环境情况,提出了一种基于时空关系的高速公路隧道跨摄像头车辆跟踪方法。首先对监控画面下的隧道车道进行透视变换去判定车辆所处车道,然后在车辆经过相邻摄像头的视野重叠处时进行跨摄像头目标匹配,从而完成车辆跟踪交接。实验结果表明,该方法具有良好的跨摄像头车辆跟踪效果。(4)跨摄像头车辆跟踪系统设计与实验。在上述研究的基础上,设计并实现了高速公路隧道跨摄像头车辆跟踪系统。在实际隧道场景下,建立车辆数据集训练YOLOv3模型,利用训练好的YOLOv3模型对隧道中的轿车、客车和货车进行车辆检测实验,实验结果表明,该模型的车辆检测准确率达到了97.25%;使用实际隧道视频对系统进行跨摄像头车辆跟踪实验,实验结果表明,该系统的跨摄像头车辆跟踪准确度为96.72%。