对前方多车辆的跟踪在交通场景分析中扮演着重要角色,如高级驾驶辅助系统(Advanced Driver Assistance Systems,ADAS)中自适应巡航(ACC)和前碰撞预警(FCW)等功能。作为智能汽车道路行驶安全性的基础和前提,对前方车辆的实时运动感知可以通过跟踪定位实现,为车辆更高级的行为选择提供可靠信息。本文基于车载单目视觉,在驾驶时对前方车辆进行实时跟踪定位。基于高精度车辆检测和多维特征匹配的方法,并通过深度学习优化跟踪策略以实现运动交通场景下的多车辆跟踪。主要工作内容如下:(1)研究了单阶段检测器的网络特征,提出了一种针对交通场景的车辆检测器,Car Hunter。首先在三种典型道路上采集图像制作数据集,并采用图像增强的方法增加数据集的多样性。利用残差网络、多尺度检测和迭代训练提高检测器对遮挡车辆的检测率。实验结果表明所提出的Car Hunter检测算法可以有效提高在复杂交通场景下对前方多车辆的检测精度和效率,为后续跟踪系统奠定良好基础。(2)提出了一种多维特征融合的车辆关联方法。为充分利用车辆外观信息,采用双通道孪生网络提取车辆及其周围环境的多分辨率特征。将外观相似度与车辆的运动学模型相结合建立相似度矩阵。随后引入匈牙利算法寻找二分图的最佳匹配,完成连续帧的车辆数据信息关联。最后采用消融实验验证多特征融合的方法对提高多车辆跟踪准确度的重要性。(3)面对运动场景下在途车辆在视野内频繁进入和消失的问题,应对跟踪过程中的漏检和误检,本文提出一种通过马尔科夫模型管理各目标的生命周期的方法来实现稳定的多车辆跟踪。结合在驾驶过程中对前方车辆检测和跟踪的状态特点,将跟踪过程分为“试用期”、“跟踪”、“消失”和“丢失”四个状态。采用Q-learning学习最佳状态转换策略?,通过适时恰当的切换各车辆的状态完成有效信息管理,减少多目标跟踪时ID的漂移问题。使用NVIDIA Jetson TX2在KITTI数据集和自建数据集上进行实验验证,通过与其他跟踪算法比对,该方法在“ID Switch”,“Mostly Tracked”等方面都取得了显著的提高,实现了对视野内前方多车辆的稳定且实时(15.3fps)跟踪。