1、tiny_yolov4文件夹： 目标检测算法源码，包括：网络搭建、训练好的权重、解码文件、预测文件。 为提升算法速度，我摒弃了YOLOv4框架而采用了Tiny_YOLOv4框架，检测精度虽然有所下降，但每帧推理速度从0.17s提升至0.03s。 2、predict.py： 用于验证目标检测的效果，可单独独立出来运行，与目标跟踪无关。 3、kalman.py： 卡尔曼滤波器，基于恒速运动模型，预测下一帧目标物体的位置。 4、tracker.py： 存储每个时刻不同目标物体的状态，管理目标跟踪整个系统运作过程。 5、main.py： 整个项目的运行入口，直接运行main.py，就可以调用Tiny_YOLOv4 + Sort，处理视频流信息，完成目标跟踪、车流量统计。 6、MVI_39211、MVI_39031：DATRAC数据集测试集的两个视频，交通路段车流量画面。demo1、demo2：调用目标跟踪算法，车流量的每帧统计结果。

基于Matlab语言的的车辆运动目标跟踪检测（每辆车速度，车流量，GUI界面）（项目实例）

运动车辆跟踪检测系统（每车速度，车道，均速，车流量，密度，设置红绿灯，界面GUI，步骤详细）（Matlab）

MATLAB车辆运动目标跟踪检测（各车速度，车流量，密度，GUI界面）

python小目标识别航拍车流量检测统计航拍车辆计数yolov5 效果演示：https://www.bilibili.com/video/BV1VP4y1o7He/

车流量建模是车联网（vehicular Ad Hoc network，VANET）路由、多媒体接入协议、无线算法设计的基础。准确的车流量模型将对智能交通系统（intelligent transportation system，ITS）实时调度和车联网的信息安全起到十分重要的作用。基于上海市的交通流量数据，利用自回归（auto regressive，AR）模型与神经（back-propagation，BP）网络模型对车流量实测数据进行了仿真对比，给出了相应的预测结果。研究发现，两个模型均能有效地对数据进行跟踪与预测，但对不同时段数据预测的准确性有所不同。研究结果将为未来智能交通应用、车联网的理论研究等提供有力依据。

本文件实现的功能是道路监控视频中的车流量统计，carnum文件用于对各个单车道的通过车辆数进行检测，main文件执行，进行视频上一些辅助线的绘制更便于检测代码的准确性。主题：图像视频处理

车流量统计作为智能交通系统的关键技术之一，逐渐成为研究的热点。主要研究了基于虚拟线圈的车流量统计算法和基于目标跟踪的车流量统计算法，综合了两种算法的优势，结合Canny算子边缘检测算法、均值背景建模法和背景差分法等技术，提出了一种基于质心的车流量统计综合算法。实验结果表明综合算法在实时性和准确性方面均取得较好的实验结果。

本设计为基于MATLAB的运动车辆跟踪检测系统。带有一个GUI界面，可以读取高速路车流视频，读取视频信息，并且统计每辆车经过左车道还是右车道，车速和平均速度检测，以及某一帧下的车流密度，以及最后总共经过的车辆总数。将运动检测到的目标用方框框起来。是一个非常不错的选题。 二、实现功能 车流密度：一定时间内经过车辆的总数； 车流量：某一帧下的车辆数目； 车速：经过车辆的实时速度； 平均速度：所有车辆的平均速度；

这个数据集描述了旧金山湾区高速公路不同车道的占用率，在0到1之间。这些测量的时间跨度为1/1/2008至3/30/2009，数据每10分钟采样一次。