视频目标的检测、跟踪与轨迹追踪预测是计算机视觉与车辆辅助驾驶领域重要的一个研究方向,但是目前该研究方向主要还是针对于位置固定摄像机所采集的视频数据,在摄像机运动的条件下准确检测特定目标、并对其进行相应视域内的跟踪和轨迹追踪是一个较有意义的研究。本论文选择装载于车辆上的行车记录仪采集的视频作为主要的研究数据,在此基础上针对动态场景中目标检测、目标跟踪和轨迹追踪的几个关键问题进行研究,主要包括:检测模型选取;对运动车辆的准确跟踪;对运行车辆运行轨迹的复原与预测。为解决这些问题,本论文提出相应解决方案,具体工作如下:(1)选择训练模型并对标准数据集进行增广。通过对Faster-RCNN、SSD和YOLOv3这三种常见的目标检测网络测试发现YOLOv3更适用于车辆的检测,为提高车辆检测的精度并降低漏检率,对VOC2007+VOC2012数据集进行仅针对车辆类别的扩增,训练得到的新模型对车辆检测的精度有所提升。外界的天气、背景等行车环境会对行车记录仪所拍摄的视频质量造成影响,晴天高速公路可作为一种较为理想的行车环境,可直接进行目标检测;对阴雨天、雪天的图像进行图像增强后检测精度有明显提高。(2)提出一种结合欧氏距离与卡尔曼滤波的目标跟踪方法。根据欧氏距离相似性度量来衡量检测框位置的变动从而判定变化前后是否为同一目标的跟踪效果较差,若车速较快,极易出现目标追踪丢失等问题,此时在欧氏距离的基础上加入卡尔曼滤波算法,在车辆跟踪中可保证目标位置发生连续突变时仍可持续跟踪。另外,提取车道线作为一种过滤信号对待目标进行筛选可排除暂时对本车行驶没有影响的车辆,能够减少运算量。(3)基于高斯拟合与车辆ID对运动轨迹进行拟合与预测。将目标检测中检测框的质心抽象为车辆的质心,通过跟踪车辆对应的ID号即可通过高斯拟合模拟对应车辆相对于行车记录仪的行车轨迹,并根据前期的轨迹对未来时段内的行车路线进行预测,同时结合车道线,对行车过程中易造成安全隐患的不规范行车做出相应的预警报告。本文创新点主要有以下两点:结合欧氏距离与卡尔曼滤波进行目标跟踪、高斯拟合与车辆ID对运动轨迹进行拟合与预测。