在智能交通系统中,两轮车已成为不可缺少的交通工具。但两轮车的违规驾驶尤其是载人不规范,极易引发交通事故,所以对两轮车载人的检测迫在眉睫。传统的检测方法是通过人工提取特征的方式实现,并不适用于环境复杂的交通场景;而深度学习的检测方法可以自动学习不同环境下的目标特征,泛化能力强,适用于复杂交通环境的检测任务。本文先采用Faster R-CNN算法对两轮车和车上乘客进行检测,再通过车辆跟踪计数方法对车流量统计,最后采用Django应用框架搭建两轮车载人检测及车流量统计平台,具体的研究内容如下:1.两轮车载人检测,确定了Faster R-CNN算法作为检测模型。原始的Fast R-CNN算法对交通图片中车载人员的检测效果不佳。主要原因有两个,一个是乘客头部的像素尺寸偏小导致检测算法的漏检,另一个是车上多名乘客之间存在遮挡也会增加检测算法的工作难度。针对小尺寸乘客的漏检,本文参考实验数据集对锚框的尺寸进行修改。针对不同尺寸的目标,检测模型采用了多特征融合结构。针对重叠度高的乘客存在漏检现象,Faster RCNN算法选用柔和的非极大值抑制来筛选候选框。最后,实验验证了改进的Faster R-CNN对两轮车和乘客检测效果的优异性。2.车辆跟踪与统计,解决了视频中两轮车的跟踪和计数问题。在两轮车车流量统计方面,本文先采用了均值漂移算法对视频中两轮车进行跟踪,再通过基于目标区域计数方法统计车流量。针对均值漂移跟踪算法存在目标跟丢和目标跟错问题,结合Faster R-CNN算法更新目标模型,并通过实验验证改进的车辆跟踪统计方法的有效性。3.根据交通视频和图片的不同检测要求,两轮车载人检测及车流量统计平台构建了交通视频检测功能模块和用户自定义功能模块。平台的搭建采用了Django应用框架,并配备了Neo4j数据库。经过实验测试,平台能够实现交通视频中两轮车载人的检测与车流量的统计,还可以为用户提供线上图片检测和数据查询的服务。