视频监控已成为公共安全领域中的一道至关重要的屏障,尤其在交通场景的应用中更加普遍,随着汽车数量的不断增多,交通场景中的相关问题也得到了越来越多的重视。交通拥堵不仅严重降低了出行效率还增加了引发交通事故的可能性,准确地掌握城市路段的车流量有利于缓解城市拥堵状况,方便交通管理部门为市民规划出行路线。由于交通场景具有很高的复杂性,不同时间段的光照强度差别较大,同时对算法处理的速度要求较高,因此给目标检测任务带来了巨大的挑战。传统的目标检测算法基于滑动窗口的区域选择方式缺乏一定的针对性,存在大量的冗余窗口,使得算法的复杂性程度较高,运行时间较长,不利于对视频流数据的快速处理。此外,由于特征依赖于手工设计,使得其在面对复杂的交通情景时不具备良好的鲁棒性。伴随着人工智能时代的到来,诸如自动驾驶、人脸识别、智慧医疗等越来越多的相关领域开启了AI化的研究进程,深度学习技术得到了迅猛的发展,基于该技术的目标检测算法也为解决复杂的交通场景问题提供了更多的选择。在交通场景的车辆检测任务中,以RCNN为代表的两阶段目标检测算法和以YOLO为代表的单阶段目标检测算法都为车辆检测任务提供了新的解决思路,有利于我们在完成车辆检测之后进一步地统计车辆数目从而获取车流量参数,相较于以往微波检测器和电磁感应检测车流量的方式,基于深度学习的目标检测方法可以借助现有的监控设备作为视频数据输入源,具有更大的检测范围,同时也更容易安装维护。本文以目前流行的YOLOv3目标检测算法为基础,利用改进的K-means聚类标准从本文用到的数据集中生成新的anchor boxes,以此得到更加优化的先验框来提高目标框的精准度。此外,采用交通场景车辆图像数据对模型进行训练,将原本80类的检测模型精简为单类的车辆检测模型,提高了检测速度和精度,并结合邻帧中心匹配算法在视频数据通过目标检测网络之后,保存所得相邻两帧的回归框坐标,根据其最近中心距离完成目标匹配,若该目标相邻两帧的回归框指定边界位于预设检测线的异侧,则表明有目标通过并完成计数。该系统分为在线和离线两种车辆计数方式,为方便交通管理部门的调度指挥以及对车流量数据的分析,可以将不同路段的多个车辆计数结果传入阿里云ECS MySQL数据库,通过DataV完成进一步的数据可视化。