项目截图

车辆速度跟踪与测速系统

项目简介

本项目是一个基于 YOLOv8、OpenCV 和 FastAPI 开发的车辆速度跟踪与测速系统。系统主要面向道路交通视频场景，用户可以通过网页端上传视频，系统会自动完成车辆识别、车辆跟踪、轨迹绘制、测速线判断以及速度计算，并将检测结果以视频流和表格的形式展示出来。

相比只在命令行中运行 YOLO 模型，本项目更加注重“可视化展示”和“完整业务流程”。系统不只是简单检测车辆，而是将车辆检测、车辆 ID 跟踪、车辆通过测速线的帧号记录、速度计算和结果展示整合到一个网页中，使整个项目更像一个可以操作、可以演示、可以扩展的实际应用系统。

技术栈

后端主要使用 Python + FastAPI 搭建接口服务，负责视频上传、模型推理、测速参数配置、视频流输出和结果查询。

核心视觉处理部分使用 OpenCV 读取视频帧、处理图像、绘制检测框、轨迹线和测速线。车辆检测部分使用 YOLOv8 模型完成目标识别，系统只保留 car、bus、truck、motorcycle 等车辆相关类别，避免无关目标干扰测速结果。

前端页面使用 HTML、CSS 和 JavaScript 编写，通过浏览器完成视频上传、测速线参数设置、检测启动和结果查看。页面整体采用深色控制台风格，左侧展示视频检测画面，右侧提供上传和参数配置操作，下方展示测速结果表格。

项目主要技术包括：

• Python 3.9
• FastAPI
• Uvicorn
• OpenCV
• YOLOv8 / Ultralytics
• NumPy
• Jinja2
• HTML / CSS / JavaScript
• IOU Tracker
• 双线测速算法

项目背景

车辆测速是计算机视觉中比较典型的综合应用场景。单独完成车辆检测并不难，但如果要让系统真正具备“测速”能力，就需要解决多个连续问题：

第一，系统要能在视频中识别车辆，而不是只识别单张图片。 第二，同一辆车在不同帧中需要保持同一个 ID，否则无法判断它从哪里来、经过了哪些位置。 第三，需要设置两条测速线，并记录车辆通过第一条线和第二条线的帧号。 第四，需要根据两条线之间的实际距离、视频 FPS 和帧差计算车辆速度。 第五，测速结果要直观展示出来，而不是只输出到控制台。

因此，这个项目的重点不是单纯调用 YOLOv8，而是把目标检测、目标跟踪、视频处理、参数配置和前端展示连接成一个完整系统。它更接近一个“AI 视觉应用系统”，而不是一个单独的模型脚本。

系统功能

1. 视频上传

系统支持在网页端上传本地交通视频，后端接收视频文件后保存到指定目录，并将当前视频路径交给视频处理模块。支持常见视频格式，例如 mp4、avi、mov、mkv 等。

上传完成后，用户不需要手动进入代码中修改视频路径，可以直接在页面中完成后续检测操作。这种方式更适合项目演示，也更接近真实 Web 系统的使用流程。

2. YOLOv8 车辆检测

系统使用 YOLOv8 作为目标检测模型，对视频中的车辆进行识别。为了避免行人、动物、路牌等无关目标影响测速结果，系统在检测后只保留车辆相关类别，包括小汽车、公交车、货车和摩托车。

每一帧视频都会经过模型推理，模型会返回车辆的位置框、类别名称和置信度。后续跟踪模块会基于这些检测框判断车辆在连续帧中的对应关系。

3. IOU 车辆跟踪

车辆测速不能只依赖单帧检测结果，因为速度计算需要知道同一辆车在前后帧中的移动轨迹。项目中使用 IOU Tracker 对车辆进行跟踪。

IOU Tracker 的核心思路是：如果当前帧中的检测框和上一帧中的某个车辆框重叠程度较高，就认为它们属于同一辆车，并继续沿用原来的车辆 ID。这样系统就可以在视频中持续追踪同一辆车的位置变化。

系统会为每辆新出现的车辆分配一个 track_id，并记录车辆中心点轨迹。当前端展示视频时，可以看到每辆车的检测框、车辆 ID 和运动轨迹线。

4. 双线测速

本项目采用双线测速方式。用户可以在页面中设置两条测速线的位置，并填写两条线之间的实际距离，例如 10 米。

当车辆轨迹穿过第一条测速线时，系统记录该车辆通过第一条线的帧号；当同一辆车继续穿过第二条测速线时，系统再次记录帧号。然后根据帧差、FPS 和实际距离计算车辆速度。

测速计算公式为：

time = frame_diff / fps
speed_mps = distance_m / time
speed_kmh = speed_mps * 3.6

其中，frame_diff 表示车辆通过两条线之间相差的帧数，fps 表示视频帧率，distance_m 表示两条测速线之间的实际距离。最终得到的 speed_kmh 即车辆速度，单位为 km/h。

这个设计的好处是系统不使用程序真实运行时间计算速度，而是使用视频帧号和 FPS 计算速度。这样即使电脑性能不同、模型推理速度不同，也不会直接影响测速结果。

5. 测速线参数配置

系统提供了测速线配置功能，用户可以在网页端输入第一条线和第二条线的坐标，也可以设置两条线之间的实际距离和视频 FPS。

这样做的原因是不同视频的拍摄角度、道路位置和画面大小都不一样，固定测速线无法适配所有视频。通过前端可配置参数，可以让系统适应更多道路场景。

用户可以配置：

• 第一条测速线起点坐标
• 第一条测速线终点坐标
• 第二条测速线起点坐标
• 第二条测速线终点坐标
• 两条测速线的实际距离
• 视频 FPS

配置保存后，后端会更新测速模块的参数，并重置跟踪状态，保证新的测速参数能够正确生效。

6. 视频流检测展示

项目不是简单生成一张结果图，而是通过视频流的形式实时返回处理后的画面。后端读取视频帧后，会完成车辆检测、车辆跟踪、测速判断和画面绘制，然后将处理后的帧编码成 JPG，并通过 StreamingResponse 返回给前端。

前端页面可以连续显示处理后的检测画面，用户能够直观看到车辆框、车辆 ID、车辆轨迹、测速线、距离信息和车辆速度。

7. 测速结果表格展示

当车辆成功通过两条测速线后，系统会将测速结果保存下来，并在前端结果表格中展示。结果表格包含：

• 车辆 ID
• 第一条线帧号
• 第二条线帧号
• 间隔帧数
• 用时
• 两线距离
• 速度 km/h

这种表格展示方式方便用户查看每辆车的测速结果，也便于后续扩展导出 Excel、保存数据库或生成检测报告。

系统模块设计

项目整体按模块划分，结构比较清晰，主要包括接口层、服务层、配置层、前端页面和静态资源。

1. 接口层

接口层主要负责和前端进行数据交互，包括视频上传接口、测速线配置接口、结果查询接口和视频流接口。

视频上传接口负责接收用户上传的视频，并保存到本地目录。测速线配置接口负责接收前端传来的测速线坐标、距离和 FPS 参数。结果查询接口用于返回当前已经计算出的测速结果。视频流接口用于持续输出处理后的视频画面。

2. 检测服务

检测服务负责加载 YOLOv8 模型，并对每一帧图像进行车辆检测。为了提高系统针对性，检测结果会过滤掉非车辆类别，只保留交通场景中需要关注的车辆目标。

检测服务返回的数据包括车辆边界框、置信度、类别编号和类别名称，这些数据会继续交给跟踪服务处理。

3. 跟踪服务

跟踪服务负责为车辆分配 ID，并维护车辆在连续帧中的轨迹。系统采用 IOU 匹配方式，根据检测框之间的重叠程度判断是否为同一辆车。

当车辆短暂丢失时，系统会允许一定的丢失帧数，不会立刻删除该车辆轨迹。这样可以降低遮挡、检测不稳定带来的影响。

4. 测速服务

测速服务负责判断车辆轨迹是否与测速线相交，并在车辆通过两条测速线后计算速度。

系统会为每辆车维护一个测速状态，包括第一次通过的测速线、第一线帧号、第二线帧号、帧差、用时和速度。只有当同一辆车完整通过两条测速线后，系统才会生成一条测速结果。

5. 视频处理服务

视频处理服务是整个系统的核心调度模块。它负责读取视频、逐帧处理、调用检测模块、调用跟踪模块、调用测速模块，并把检测后的结果绘制到画面上。

每一帧的处理流程大致如下：

1. 从视频中读取一帧图像；
2. 调整图像尺寸；
3. 使用 YOLOv8 检测车辆；
4. 使用 IOU Tracker 跟踪车辆；
5. 判断车辆是否通过测速线；
6. 计算车辆速度；
7. 绘制检测框、车辆 ID、轨迹、测速线和速度；
8. 编码成图片帧返回给前端。

核心实现思路

1. 为什么使用帧号计算速度

很多初学者做测速系统时，可能会直接使用程序运行时间计算速度。但这种方式并不稳定，因为模型推理速度会受到电脑性能、显卡性能、视频分辨率和后台任务影响。

本项目使用视频帧号和 FPS 计算速度。例如车辆通过两条线之间相差 15 帧，视频 FPS 为 30，那么车辆通过两条线的时间就是：

15 / 30 = 0.5 秒

如果两条线实际距离是 10 米，那么车辆速度就是：

10 / 0.5 = 20 m/s
20 * 3.6 = 72 km/h

这种方式更符合视频分析逻辑，也能保证不同电脑运行时测速结果相对一致。

2. 为什么使用双线测速

单线无法直接计算速度，因为只知道车辆经过某一条线的时间点，并不知道车辆在多长时间内移动了多远。双线测速通过两条线构造一个已知距离区间，只要记录车辆通过两条线的帧号，就可以计算车辆通过该距离所花费的时间。

这种方法实现简单，适合固定摄像头道路场景，也方便在网页端进行可视化配置。

3. 为什么要做车辆跟踪

如果没有车辆跟踪，系统只能知道每一帧有哪些车辆，却无法判断前后帧中的车辆是不是同一辆。测速必须针对同一辆车进行，否则第一条线可能记录的是 A 车，第二条线可能记录的是 B 车，计算结果就会错误。

因此，车辆检测只是第一步，车辆跟踪才是测速系统能正常工作的关键。

4. 为什么要提供网页端

AI 项目如果只能在命令行运行，展示效果会比较弱，也不方便别人使用。通过网页端，用户可以直接上传视频、设置参数、查看检测过程和测速结果。

这个项目把算法能力包装成一个可操作的系统，让项目从“能跑代码”变成“能演示功能”。

项目亮点

1. 完整的视频测速流程

项目从视频上传、目标检测、目标跟踪、轨迹绘制、速度计算到结果展示，形成了完整闭环。不是单一算法 Demo，而是一个具备前后端交互的视觉应用系统。

2. 支持网页端参数配置

测速线位置、实际距离和 FPS 都可以通过网页端进行配置，不需要频繁修改代码。这样系统可以适配不同视频画面，提高了项目的灵活性。

3. 使用帧号而不是运行时间测速

系统根据车辆通过两条测速线的帧差和视频 FPS 计算速度，避免了电脑性能和模型推理速度对测速结果的影响。

4. 检测、跟踪、测速模块解耦

项目将车辆检测、车辆跟踪、速度估计、视频处理和接口服务拆分成不同模块，代码结构更加清晰，后续扩展也更方便。

5. 可视化效果直观

系统会在画面中绘制车辆框、车辆 ID、运动轨迹、测速线和速度信息，同时在页面底部展示结果表格，方便项目演示和结果查看。

项目运行方式

首先进入项目根目录，安装依赖：

pip install -r requirements.txt

然后将 YOLOv8 权重文件放到：

weights/yolov8m.pt

启动项目：

python run.py

启动成功后，在浏览器中访问：

http://127.0.0.1:8000

进入页面后，先上传交通视频，然后设置两条测速线的位置、实际距离和 FPS，保存配置后点击开始检测，即可看到车辆识别和测速结果。

使用流程

1. 打开系统首页；
2. 上传一段交通视频；
3. 根据视频画面设置两条测速线；
4. 设置两条线之间的实际距离；
5. 设置视频 FPS；
6. 保存测速线配置；
7. 点击开始检测；
8. 查看视频中的车辆框、车辆 ID、轨迹和速度；
9. 在下方表格查看每辆车的测速结果。

遇到的问题与解决思路

1. 车辆检测结果不稳定

在视频中，车辆可能会因为遮挡、距离过远、光照变化等原因出现检测框抖动。为了解决这个问题，系统没有直接使用单帧结果测速，而是结合跟踪模块维护车辆轨迹，让测速判断更加连续。

2. 同一辆车 ID 容易变化

如果连续帧之间的检测框变化较大，IOU 匹配可能会出现 ID 切换。项目中通过设置 IOU 阈值和允许丢失帧数，在一定程度上减少 ID 频繁变化的问题。

3. 视频运行速度影响测速结果

如果使用程序运行时间测速，电脑慢一点或者模型推理慢一点，计算出来的速度就会偏低。因此项目改用帧号和 FPS 进行速度计算，让测速结果与视频本身绑定，而不是与电脑运行速度绑定。

4. 不同视频画面测速线位置不同

不同视频的道路位置、摄像头角度和画面分辨率都不一样，固定测速线无法适配所有情况。因此系统将测速线位置做成可配置参数，用户可以根据具体视频进行调整。

后续优化方向

目前系统已经完成了基础的车辆检测、跟踪和测速功能，后续还可以继续扩展：

1. 增加检测结果导出 Excel 功能；
2. 将测速结果保存到 MySQL 数据库；
3. 支持生成检测后的视频文件；
4. 增加用户登录和历史记录管理；
5. 支持多模型选择；
6. 优化测速线拖拽交互，让用户可以直接在画面上拖动线条；
7. 增加车流量统计、平均速度统计和超速车辆标记；
8. 支持摄像头实时视频流；
9. 引入更稳定的 DeepSORT、ByteTrack 等跟踪算法；
10. 对测速结果增加误差说明和标定功能。

项目总结

这个项目让我更加完整地理解了 AI 视觉系统从模型到应用的开发流程。YOLOv8 负责车辆检测，OpenCV 负责视频处理和画面绘制，IOU Tracker 负责车辆跟踪，FastAPI 负责后端接口，前端页面负责交互和展示。

通过这个项目，我不只是完成了一个车辆检测模型调用，而是把检测、跟踪、测速和 Web 展示整合成了一个完整系统。这个过程提升了我对计算机视觉应用开发、前后端交互、视频流处理和算法工程化的理解。

项目最大的收获是：AI 项目真正落地时，模型只是其中一部分。如何上传数据、如何配置参数、如何展示结果、如何处理异常、如何让别人看懂并使用系统，同样非常重要。