摘 要：為了方便交通部門改善交通擁堵問(wèn)題，使用旭日X3嵌入式開發(fā)板作為硬件平臺(tái)，通過(guò)YOLOv8深度學(xué)習(xí)網(wǎng)絡(luò)識(shí)別道路上通行的車輛及其車輛類型。使用開放神經(jīng)網(wǎng)絡(luò)交換（Open Neural Network Exchange， ONNX）格式可視化編輯工具去掉了模型的輸出頭，將網(wǎng)絡(luò)中的激活函數(shù)由SiLU函數(shù)更換為ReLU函數(shù)，將模型輸出由80個(gè)檢測(cè)類別更改為4個(gè)檢測(cè)類別，在Small版本中，使用非極大值抑制算法（Non-Maximum Suppression， NMS）將最合適的檢測(cè)框篩選出來(lái)，然后用SORT（Simple Online and Realtime Tracking）多目標(biāo)追蹤算法和匹配算法將獨(dú)立幀檢測(cè)到的車輛關(guān)聯(lián)起來(lái)，實(shí)現(xiàn)車輛自動(dòng)計(jì)數(shù)。在服務(wù)器上配置好YOLOv8的訓(xùn)練環(huán)境，訓(xùn)練3個(gè)周期，測(cè)試模型的mAP指標(biāo)為0.635，推理速度提升至20 fps左右，目標(biāo)檢測(cè)系統(tǒng)的計(jì)數(shù)精度達(dá)到98%，可以準(zhǔn)確獲取到路口的交通流數(shù)據(jù)，幫助改善交通擁堵問(wèn)題。

關(guān)鍵詞：YOLOv8深度學(xué)習(xí)網(wǎng)絡(luò);NMS算法;SORT多目標(biāo)追蹤算法

中圖分類號(hào)：TP311.1 文獻(xiàn)標(biāo)志碼：A

0 引言（Introduction）

隨著城市化進(jìn)程的加快，城市交通問(wèn)題日益嚴(yán)峻。精確掌握交通車流量信息是開展城市交通管理的基礎(chǔ)，獲得準(zhǔn)確且及時(shí)的車流量數(shù)據(jù)可以幫助交通管理部門科學(xué)調(diào)配交通資源[1]。目前，城市道路已廣泛布置監(jiān)控?cái)z像頭，利用攝像頭視頻和圖像處理算法自動(dòng)監(jiān)測(cè)和統(tǒng)計(jì)車流量。使用這種方法采集的數(shù)據(jù)精度較高，并且能夠?qū)崿F(xiàn)全天候、全自動(dòng)的監(jiān)測(cè)。然而，圖像處理算法計(jì)算量巨大，在邊緣設(shè)備上實(shí)現(xiàn)實(shí)時(shí)車流量統(tǒng)計(jì)一直面臨困難。本文設(shè)計(jì)利用“地平線”推出的旭日X3嵌入式開發(fā)板部署YOLOv8深度學(xué)習(xí)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了實(shí)時(shí)監(jiān)測(cè)和統(tǒng)計(jì)交通車流量，對(duì)推動(dòng)該領(lǐng)域的發(fā)展具有重要的意義。

1 系統(tǒng)整體設(shè)計(jì)方案（System overall design scheme）

本設(shè)計(jì)使用旭日X3嵌入式開發(fā)板作為核心硬件平臺(tái)，Linux作為操作系統(tǒng)。采用攝像頭模塊采集道路車流視頻數(shù)據(jù)，通過(guò)4G無(wú)線模塊和遠(yuǎn)程服務(wù)器實(shí)現(xiàn)通信。本設(shè)計(jì)使用YOLOv8目標(biāo)檢測(cè)器和多目標(biāo)追蹤算法SORT構(gòu)建高精度的實(shí)時(shí)跟蹤系統(tǒng)，該系統(tǒng)可以獲取道路上行駛車輛的視頻，并從視頻中識(shí)別其中的車輛及其車輛類型，對(duì)識(shí)別到的車輛進(jìn)行計(jì)數(shù)，然后將識(shí)別到的車輛信息通過(guò)4G通信模塊實(shí)時(shí)上傳到服務(wù)器。系統(tǒng)構(gòu)成模塊框圖如圖1所示。

2 系統(tǒng)硬件設(shè)計(jì)（System hardware design）

本文設(shè)計(jì)的硬件系統(tǒng)由旭日X3嵌入式開發(fā)板、ATKM750C4G無(wú)線通信模塊、攝像頭和5V開關(guān)電源組成。相機(jī)使用移動(dòng)設(shè)備和嵌入式系統(tǒng)的攝像頭串行接口協(xié)議MIPI CSI總線和開發(fā)板進(jìn)行通信。

ATK-M750C 4G無(wú)線通信模塊使用串口與主機(jī)進(jìn)行通信，在安裝Linux操作系統(tǒng)的主機(jī)中，串口設(shè)備會(huì)被抽象為/dev/ttyS*設(shè)備文件。這種方式只需要對(duì)串口設(shè)備文件進(jìn)行文件讀寫操作，就能實(shí)現(xiàn)對(duì)串口設(shè)備收發(fā)數(shù)據(jù)。在系統(tǒng)中，首先設(shè)置ATK-750模塊和服務(wù)器通信的IP地址和端口號(hào)，其次將模塊設(shè)置為TCP（Transmission Control Protocol）穿透模式。連接開發(fā)板后，將開發(fā)板串口3的波特率設(shè)置為與模塊的波特率一致，然后打開系統(tǒng)文件路徑/dev/ttyS3的設(shè)備文件，發(fā)送數(shù)據(jù)時(shí)通過(guò)write系統(tǒng)調(diào)用就可以將數(shù)據(jù)傳送到ATK-M750模塊。系統(tǒng)配置了一個(gè)具有公網(wǎng)IP（Internet Protocol）的服務(wù)器，用于接收系統(tǒng)發(fā)送的數(shù)據(jù)，并在服務(wù)器上運(yùn)行了一個(gè)服務(wù)程序，該程序使用TCP協(xié)議通信，打開了本機(jī)的7788端口用于接收4G模塊發(fā)送的數(shù)據(jù)。一旦和4G模塊建立TCP連接，就循環(huán)接收4G模塊發(fā)送的計(jì)數(shù)信息，然后把信息保存在本地文件中。系統(tǒng)的硬件電路原理圖如圖2所示。

3 目標(biāo)識(shí)別系統(tǒng)設(shè)計(jì)（Design of target recognition system）

3.1 YOLOv8深度學(xué)習(xí)網(wǎng)絡(luò)模型微調(diào)

YOLOv8官方發(fā)布的模型在COCO2017數(shù)據(jù)集上做了300輪預(yù)訓(xùn)練，可以識(shí)別日常生活中80種常見物體的類別，但本系統(tǒng)主要識(shí)別的對(duì)象是車輛類別，不需要具備識(shí)別其他物體的能力，因此需要對(duì)YOLOv8深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行微調(diào)。

UA-DETRAC數(shù)據(jù)集包含在中國(guó)北京市和天津市兩個(gè)城市的24個(gè)不同的地點(diǎn)使用Cannon EOS 550D相機(jī)拍攝的10 h的道路交通視頻，約有14萬(wàn)幀圖像數(shù)據(jù)，手動(dòng)注釋了8 250輛車輛，總共有121萬(wàn)個(gè)標(biāo)記的對(duì)象邊界框，本研究要在該數(shù)據(jù)集上訓(xùn)練YOLOv8深度學(xué)習(xí)網(wǎng)絡(luò)模型對(duì)車輛位置和車輛類別的檢測(cè)能力，因此需要對(duì)模型做兩項(xiàng)微調(diào)，一是需要將網(wǎng)絡(luò)中的激活函數(shù)由SiLU 函數(shù)更換為ReLU 函數(shù)，然后將UADETRAC的數(shù)據(jù)標(biāo)注轉(zhuǎn)換成符合YOLOv8規(guī)定的格式。二是將模型輸出由80個(gè)檢測(cè)類別更改為4個(gè)檢測(cè)類別。在服務(wù)器上配置YOLOv8的訓(xùn)練環(huán)境，訓(xùn)練3個(gè)周期的模型，模型的mAP指標(biāo)達(dá)到0.6以上，計(jì)算速度快，精確度高。

3.2 YOLOv8深度學(xué)習(xí)網(wǎng)絡(luò)模型在地平線旭日X3上部署

將訓(xùn)練好的深度學(xué)習(xí)網(wǎng)絡(luò)模型部署到終端的流程通常包括導(dǎo)出ONNX模型、模型量化、模型推理3個(gè)步驟。ONNX（Open Neural Network Exchange）是一種表示神經(jīng)網(wǎng)絡(luò)模型的開放格式，模型部署工作中的第一步通常是將不同的神經(jīng)網(wǎng)絡(luò)框架訓(xùn)練好的模型轉(zhuǎn)換成ONNX通用的表達(dá)形式[2]。在本文的設(shè)計(jì)中，調(diào)用YOLOv8提供的模型導(dǎo)出腳本，可以將訓(xùn)練得到的PyTorch格式的模型轉(zhuǎn)換為ONNX模型。模型直接導(dǎo)出的ONNX模型數(shù)據(jù)都是使用單精度浮點(diǎn)數(shù)進(jìn)行計(jì)算，運(yùn)算速度慢，因此需要把單精度浮點(diǎn)數(shù)轉(zhuǎn)換為8位的整數(shù)進(jìn)行計(jì)算，該過(guò)程稱為模型量化[3]。在旭日X3嵌入式開發(fā)板上，還需要將ONNX模型轉(zhuǎn)換為“地平線”產(chǎn)品專用的模型，用于調(diào)用專有計(jì)算單元BPU加速計(jì)算。在“地平線”的AI工具鏈中，這一步轉(zhuǎn)換過(guò)程和模型量化是同時(shí)進(jìn)行的。

3.3 提升模型推理速度

未經(jīng)過(guò)任何修改的YOLOv8官方模型，其Small版本經(jīng)量化后，在旭日X3嵌入式開發(fā)板上部署之后，模型的推理速度僅為每秒3～4幀，遠(yuǎn)遠(yuǎn)沒(méi)有達(dá)到實(shí)時(shí)檢測(cè)的效果，所以必須對(duì)其推理性能進(jìn)行優(yōu)化，提高其推理速度。

在本文的設(shè)計(jì)中，對(duì)模型一共做了3處修改。首先通過(guò)觀察模型發(fā)現(xiàn)，其檢測(cè)頭涉及大量的廣播運(yùn)算，并導(dǎo)致了大量的量化/反量化操作，造成無(wú)謂的計(jì)算資源損耗，為了解決此問(wèn)題，系統(tǒng)使用ONNX-Modify工具去掉模型的輸出頭。

其次將模型中所有激活函數(shù)更換為ReLU 函數(shù)[4]。YOLOv8深度學(xué)習(xí)網(wǎng)絡(luò)模型中原始的激活函數(shù)為SiLU函數(shù)，SiLU函數(shù)的表達(dá)式為SiLU（x）=x/（1+e-x ），網(wǎng)絡(luò)訓(xùn)練過(guò)程中，SiLU函數(shù)因?yàn)閷?dǎo)數(shù)連續(xù)，收斂速度比ReLU函數(shù)更快，在同樣數(shù)量的訓(xùn)練周期，模型的性能通常也會(huì)比使用ReLU的版本好。但是，在模型部署中可以以犧牲一部分模型準(zhǔn)確度為代價(jià)來(lái)提高模型的推理速度。

再次將模型的輸入圖像分辨率從640×640修改為512×512。YOLOv8深度學(xué)習(xí)網(wǎng)絡(luò)模型中的主要運(yùn)算為卷積運(yùn)算，其計(jì)算復(fù)雜度與圖像的長(zhǎng)寬之積成正比，所以降低圖像的分辨率能夠非常有效地降低模型的推理時(shí)間。

3.4 非極大值抑制算法設(shè)計(jì)

YOLOv8深度學(xué)習(xí)網(wǎng)絡(luò)模型使用anchor box的方式進(jìn)行目標(biāo)檢測(cè)，對(duì)同一個(gè)目標(biāo)會(huì)有多個(gè)anchor box進(jìn)行預(yù)測(cè)，那么這么多個(gè)預(yù)測(cè)結(jié)果可能會(huì)重疊，在Small版本中，輸入圖像的分辨率為512×512時(shí)，YOLOv8深度學(xué)習(xí)網(wǎng)絡(luò)模型將會(huì)輸出約20 000個(gè)預(yù)測(cè)框。為了將最合適的檢測(cè)框篩選出來(lái)，可以使用NMS算法[5]。

NMS算法的主要步驟如下：

第一步是將置信度過(guò)低的框過(guò)濾掉。通過(guò)選取不同的過(guò)濾閾值，可以過(guò)濾幾十到幾百個(gè)框。第二步將輸出框按置信度從高到低排序，從置信度最高的框開始，后邊每一個(gè)框都和該框計(jì)算其交并比（IoU）值。IoU值越大，表示兩個(gè)框的重合度越高，將大于IoU閾值的框標(biāo)記為棄用;若IoU值小于閾值，認(rèn)為該框和第一個(gè)框不是同一個(gè)物體，則保留該框。再循環(huán)以上步驟，從保留下來(lái)的置信度第二高的框開始，重復(fù)第二步，直到所有框都計(jì)算完畢。循環(huán)步驟結(jié)束后仍然保留下的框，就是經(jīng)過(guò)NMS算法之后的輸出框。

4 計(jì)數(shù)算法設(shè)計(jì)（Counting algorithm design）

4.1SORT多目標(biāo)追蹤算法設(shè)計(jì)

YOLOv8是一種單幀目標(biāo)檢測(cè)算法，它會(huì)獨(dú)立地檢測(cè)每一幀圖像，但是檢測(cè)并提取車輛圖像后，相鄰兩幀圖像中屬于同一車輛的檢測(cè)框還不具備聯(lián)系。要想實(shí)現(xiàn)系統(tǒng)對(duì)檢測(cè)到的車輛進(jìn)行自動(dòng)計(jì)數(shù)，就要設(shè)計(jì)一種方法能夠?qū)ⅹ?dú)立幀中檢測(cè)到的物體關(guān)聯(lián)起來(lái)，此時(shí)可以采用SORT多目標(biāo)追蹤算法[6]。

SORT多目標(biāo)追蹤算法是基于Kalman濾波和匈牙利算法進(jìn)行跟蹤[7]。SORT多目標(biāo)追蹤算法的流程如下：首先對(duì)每一幀圖像使用目標(biāo)檢測(cè)算法（如YOLO）生成目標(biāo)候選框，其次計(jì)算各個(gè)框與現(xiàn)有追蹤框（初始化幀設(shè)為檢測(cè)框）的IoU值。得到當(dāng)前幀檢測(cè)目標(biāo)和追蹤目標(biāo)的IoU矩陣，使用線性分配算法將當(dāng)前幀中的檢測(cè)框和追蹤框關(guān)聯(lián)起來(lái)。未匹配到的追蹤框?qū)⒈粯?biāo)記為失效，匹配到的檢測(cè)框?qū)⒈惶砑拥阶粉櫫斜碇?。最后使用Kalman濾波更新匹配上的追蹤框的狀態(tài)。SORT多目標(biāo)追蹤算法工作流程如圖3所示。

當(dāng)獲得當(dāng)前幀的目標(biāo)檢測(cè)結(jié)果后，就可以開始進(jìn)入目標(biāo)追蹤階段。SORT多目標(biāo)追蹤算法首先預(yù)測(cè)追蹤列表中所有追蹤框在當(dāng)前幀的位置，其次計(jì)算預(yù)測(cè)框和當(dāng)前幀的檢測(cè)框的IoU值，獲取IoU矩陣。將IoU矩陣取負(fù)值，或使用1減去矩陣中的所有元素，得到的新的矩陣將作為cos t 矩陣輸入線性匹配算法。線性匹配算法會(huì)給出匹配結(jié)果。得到匹配結(jié)果后，對(duì)于匹配到的追蹤框，使用其對(duì)應(yīng)的檢測(cè)框更新追蹤框的位置;對(duì)于未匹配到的追蹤框，根據(jù)算法配置參數(shù)決定是否將其從追蹤列表中移除;對(duì)于未匹配到的檢測(cè)框，將其添加到追蹤列表中。該算法的核心操作是卡爾曼濾波算法和線性匹配算法。

4.2 卡爾曼濾波算法設(shè)計(jì)

卡爾曼濾波是一種利用線性系統(tǒng)的狀態(tài)方程，結(jié)合系統(tǒng)的觀測(cè)值，對(duì)系統(tǒng)狀態(tài)做出最優(yōu)估計(jì)的算法?？柭鼮V波假設(shè)系統(tǒng)是帶噪聲的線性系統(tǒng)，并假設(shè)系統(tǒng)的過(guò)程噪聲和觀測(cè)噪聲都服從高斯分布，因此系統(tǒng)的狀態(tài)方程可以寫成公式（1）[8]：

4.3 線性匹配算法設(shè)計(jì)

線性匹配算法用于確定追蹤框和當(dāng)前幀的檢測(cè)框的對(duì)應(yīng)關(guān)系，可以計(jì)算所有追蹤框和檢測(cè)框的IoU值[這一步的計(jì)算復(fù)雜度為O（m×n），假設(shè)有m 個(gè)追蹤框和n 個(gè)檢測(cè)框]，然后把兩個(gè)框之間的IoU值當(dāng)作其關(guān)聯(lián)權(quán)重，從而把該問(wèn)題轉(zhuǎn)化為最小權(quán)值匹配問(wèn)題，即在二分圖中求出一組點(diǎn)對(duì)的匹配，使得這組點(diǎn)對(duì)的權(quán)值和最小。

在本文設(shè)計(jì)的系統(tǒng)中，首先根據(jù)追蹤框得到當(dāng)前幀的預(yù)測(cè)框，其次計(jì)算預(yù)測(cè)框和當(dāng)前幀檢測(cè)框的IoU值，得到IoU值的矩陣，調(diào)用scipy（Python中一個(gè)用于科學(xué)計(jì)算的庫(kù)）中的linear_sum_assignment函數(shù)求解匹配結(jié)果。

4.4 計(jì)數(shù)算法設(shè)計(jì)

當(dāng)系統(tǒng)追蹤到一個(gè)新的目標(biāo)時(shí)，給該目標(biāo)賦一個(gè)ID用于標(biāo)識(shí)該目標(biāo)，賦值ID的方法如下：對(duì)于第1個(gè)目標(biāo)，對(duì)其賦值ID為1;以后每追蹤到一個(gè)新的目標(biāo)，就把上一個(gè)目標(biāo)的ID值加1作為新目標(biāo)的ID。通過(guò)這樣的ID賦值方法，可以實(shí)現(xiàn)對(duì)車輛的計(jì)數(shù)。對(duì)于多種車型，對(duì)每一種車型都建立一個(gè)追蹤器，從而實(shí)現(xiàn)對(duì)車輛的分類追蹤。為了提升計(jì)數(shù)的準(zhǔn)確度，對(duì)系統(tǒng)的算法做了如下改動(dòng)。

（1）為了應(yīng)對(duì)檢測(cè)器檢測(cè)質(zhì)量差和經(jīng)常出現(xiàn)未檢測(cè)出物體類型的情況，系統(tǒng)延長(zhǎng)了將追蹤物體移出追蹤列表的判定時(shí)間，從丟失2幀就將其移出改為丟失15幀再移出。此項(xiàng)改動(dòng)提升了追蹤的穩(wěn)定性。

（2）對(duì)于遠(yuǎn)處的車輛，其在圖像中對(duì)應(yīng)一個(gè)很小的目標(biāo)，檢測(cè)器給出的檢測(cè)結(jié)果準(zhǔn)確度較差，可能導(dǎo)致系統(tǒng)出現(xiàn)檢測(cè)不穩(wěn)定、類別分類錯(cuò)誤等問(wèn)題。通過(guò)忽略檢測(cè)器給出的檢測(cè)框面積小于一定閾值的目標(biāo)，可以提升追蹤的穩(wěn)定性，從而提升計(jì)數(shù)精度。

5 系統(tǒng)調(diào)試（System debugging）

5.1 目標(biāo)檢測(cè)系統(tǒng)調(diào)試

目標(biāo)檢測(cè)系統(tǒng)主要關(guān)注檢測(cè)精度和檢測(cè)速度兩個(gè)參數(shù)，當(dāng)對(duì)YOLOv8深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行3輪微調(diào)訓(xùn)練之后，測(cè)試模型的mAP指標(biāo)為0.635。經(jīng)微調(diào)后的模型針對(duì)小型轎車、卡車、公交車及其他車輛的測(cè)試結(jié)果如表1所示。

直接使用ONNX模型在CPU上推理，獲得的推理速度約為3.5 fps，經(jīng)幾次改進(jìn)，推理速度提升為20 fps左右。最終經(jīng)過(guò)量化的模型在旭日X3嵌入式開發(fā)板上的運(yùn)行結(jié)果如圖4所示。微調(diào)后的YOLOv8深度學(xué)習(xí)網(wǎng)絡(luò)模型在數(shù)據(jù)集上表現(xiàn)良好，具有較高的檢測(cè)精度，可以在實(shí)際場(chǎng)景中應(yīng)用。

5.2 計(jì)數(shù)系統(tǒng)調(diào)試

計(jì)數(shù)系統(tǒng)的核心是計(jì)數(shù)精度，在測(cè)試場(chǎng)景下統(tǒng)計(jì)系統(tǒng)的計(jì)數(shù)精度，結(jié)果為98%。其中，計(jì)數(shù)結(jié)果可視化圖如圖5所示，系統(tǒng)實(shí)物圖如圖6所示。

5.3 系統(tǒng)運(yùn)行結(jié)果

系統(tǒng)接收到的數(shù)據(jù)格式為時(shí)間戳、小型轎車的計(jì)數(shù)量、卡車的計(jì)數(shù)量、公交車的計(jì)數(shù)量和其他車輛的計(jì)數(shù)量，系統(tǒng)運(yùn)行結(jié)果圖如圖7所示。

6 結(jié)論（Conclusion）

本文設(shè)計(jì)的系統(tǒng)使用旭日X3作為硬件平臺(tái)，結(jié)合高清攝像頭捕獲圖像的信息，在服務(wù)器上部署了YOLOv8深度學(xué)習(xí)網(wǎng)絡(luò)模型，詳細(xì)介紹了該模型如何進(jìn)行微調(diào)，以適應(yīng)具體的應(yīng)用場(chǎng)景。使用NMS算法和SORT多目標(biāo)追蹤算法對(duì)模型輸出進(jìn)行篩選和目標(biāo)追蹤，并對(duì)模型進(jìn)行微調(diào)訓(xùn)練之后，目標(biāo)檢測(cè)系統(tǒng)在識(shí)別速度和識(shí)別精度上均達(dá)到系統(tǒng)設(shè)計(jì)要求，可以準(zhǔn)確獲取到路口的交通流數(shù)據(jù)。最后將本地的檢測(cè)信息通過(guò)4G無(wú)線通信模塊實(shí)時(shí)傳輸?shù)椒?wù)器，實(shí)現(xiàn)數(shù)據(jù)實(shí)時(shí)上報(bào)。

參考文獻(xiàn)（References）

[1] 曹長(zhǎng)玉. 基于深度學(xué)習(xí)的車流監(jiān)測(cè)與預(yù)測(cè)算法研究[D].廈門：集美大學(xué)，2020.

[2] 賀凱，田聰，顧斌. TensorFlow與ONNX模型轉(zhuǎn)換研究與實(shí)現(xiàn)[D]. 西安：西安電子科技大學(xué)，2022. [3] 過(guò)銘濤. 基于改進(jìn)YOLOv3的目標(biāo)檢測(cè)模型研究與應(yīng)用[D].南京：南京郵電大學(xué)，2022.

[4] 劉磊. 基于YOLO網(wǎng)絡(luò)的智能交通車流量統(tǒng)計(jì)研究[D].西安：西安科技大學(xué)，2019.

[5] DING J J，ZHANG J H，ZHAN Z Q，et al. A precision efficient method for collapsed building detection in post-earthquake UAV images based on the improved NMS algorithm and faster R-CNN[J]. Remote sensing，2022，14（3）：663.

[6] 李廣. 基于視頻圖像的車流量的檢測(cè)研究[D]. 鞍山：遼寧科技大學(xué)，2022.

[7] KAVITHA N，CHANDRAPPA D N. Performance analysis towards GUI-based vehicle detection and tracking using YOLOv3 and SORT algorithm[J]. International journal of intelligent systems technologies and applications，2022，20 （5）：436-451.

[8] 劉劍，龔志恒，林璐瑤，等. 基于局部圖塊目標(biāo)匹配的交通車流跟蹤與統(tǒng)計(jì)[J]. 控制工程，2014，21（3）：436-440，445.

作者簡(jiǎn)介：

孫志娟（1993-），女，碩士，助教。研究領(lǐng)域：信息技術(shù)，電子信息。

李景景（1991-），女，碩士，講師。研究領(lǐng)域：信息技術(shù)，電子信息。

馮玉濤（2001-），男，本科，助教。研究領(lǐng)域：信息技術(shù)，電子信息。

基金項(xiàng)目：大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項(xiàng)目成果“基于深度學(xué)習(xí)的智能交通車流監(jiān)測(cè)與預(yù)測(cè)研究”（202312747001）