摘要：针对高速公路行车速度快的特点，文章分析了YOLOv3算法的优势，并利用YOLOv3算法对目标车辆跟踪的两个步骤进行改进：在车辆检测阶段利用YOLOv3算法模型及Resnet-18算法模型构建双线性分类模型，提高目标车辆检测准确性及检测速度;在车辆跟踪阶段则引入深度分类的方法，能有效减少目标车辆标识跳变的问题，改善目标车辆跟踪效果。通过实验表明，所提出的基于YOLOv3的高速公路多目标车辆跟踪算法具有较高的识别速度及跟踪准确性。

关键词：YOLOv3;车辆检测;车辆跟踪;深度分类

0 引言

根据交通部数据显示，截至2018年年底，全国高速公路交通视频监控设施（含路段互通、收费站、桥隧、服务区）总规模达到21.4万套，平均布设密度达4 km/套，如何合理挖掘丰富的高速公路视频监控数据资源成为急需解决的问题。利用多目标车辆跟踪技术能够实现对高速公路上行驶的车辆自动检测并对车辆进行跟踪，从而将高速公路监控数据变为有用信息，是近年来重点研究的方向之一。

多目标车辆跟踪一般分为两步：第一步是进行车辆检测，即识别出视频初始帧中所有的车辆;第二步是进行目标车辆跟踪，即在之后的视频帧中对识别出来的目标车辆进行跟踪。由于高速公路车辆行驶速度较快，导致传统的多目标车辆跟踪算法识别效果不理想，会产生误检、漏检、目标丢失等问题。因此，本文基于YOLOv3算法从目标车辆跟踪的两个步骤进行改进，有效提升算法识别速度和跟踪效果。……