自动驾驶是汽车产业与人工智能、物联网、高性能计算等新一代信息技术深度融合的产物，是当前全球汽车与交通出行领域智能化和网联化发展的主要方向，已成为各国争抢的战略制高点。自动驾驶所涉及的软硬件众多，包括传感器（激光雷达或者摄像头）、高精度地图、V2X和AI算法。本文就是研究自动驾驶中AI算法的一环。

车辆检测与跟踪算法一直是国际研究的热点，如今科学技术飞速发展，近些年主要的科研方向之一就是自动驾驶。而车辆检测和跟踪算法就是自动驾驶的基础。

从自动驾驶国内外整个发展情况来看，美德引领自动驾驶产业发展大潮，日本、韩国迅速觉醒，我国呈追赶态势。

从国际看，各国纷纷将2020年作为重要时间节点，希望届时实现自动驾驶汽车全面部署。美国在州层面积极进行自动驾驶立法，截至2016年底，16个州通过相关法案或行政令，明确测试条件和要求，允许企业在州层面展开路面测试。[3]德国政府2015年已允许在连接慕尼黑和柏林的A9高速公路上开展自动驾驶汽车测试项目，交通运输部门今年3月还向柏林的Diginet-PS自动驾驶试点项目发放补贴，用于开发处理系统并提供自动驾驶的实时交通信息。

从我国看，工信部2016年在上海开展上海智能网联汽车试点示范；在浙江、北京-河北、重庆、吉林、湖北等地开展“基于宽带移动互联网的智能汽车、智慧交通应用示范”，推进自动驾驶测试工作。北京已出台智能汽车与智慧交通应用示范五年行动计划，将在2020年底完成北京开发区范围内所有主干道路智慧路网改造，分阶段部署1000辆全自动驾驶汽车的应用示范。江苏于2016年11月与工信部、公安部签订三方合作协议，共建国家智能交通综合测试基地。

综上所述，基于视频的车辆检测和跟踪算法的研究应该是近几年的研究热点，如何优化算法，提高检测率和检测速度，降低误检率，将是这个研究的关键。

2. 研究的基本内容与方案

基本内容：该研究是采用检测算法检测车辆位置，然后采用跟踪算法进行车辆跟踪的算法研究。

目标：设计算法能够完成车辆的检测与跟踪算法

拟采用的技术方案及措施：对于车辆的检测算法，acf（aggregatechannel features）算法是一个不错的选择。Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这

些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用adaboost分类器可以排除一些不必要的训练数据特征，并放在关键的训练数据上面。采用acf算法，能够高效的完成车辆的检测算法。