交通视频监控已经成为我们生活中的一个重要工具。检测和跟踪车辆的能力，包括个人和公共交通工具，在许多应用中非常有用，如司机的安全，预防和监测道路事故等。该项目利用来自世界各地的闭路电视摄像机的连续视频流，在实时帧的计算机视觉算法支持下处理车辆检测的概念。所提出的框架利用YOLOv4实现了更快的实时目标检测，并使用所提出的数据集在各种条件下进行了测试，如下雨、低能见度、白天、雪和晚上。第一阶段对数据集进行预处理。在第一阶段之后，采集各种类型的车辆图像。在最后一阶段，根据在前一阶段计算或计算的属性，找到模型的精度，平均精度(map)和IoU，它可以识别各种类型的车辆。该模型可以进一步帮助开发实时车辆事故检测框架。

Keywords— YOLOv4, Convolutional Neural Network (CNN),
Object detection, OpenCV, Ffmpeg, Labelimg, Non-maximum
Suppression, CSPDarknet53, Vehicle Identification.

I. INTRODUCTION

在我们生活的世界里，车辆交通已经成为我们生活中至关重要的一部分，它以许多不同的方式影响着人类活动。因此，适当的交通管理变得至关重要，特别是在人们每天通勤的城市。从人命损失和财产损失的角度来看，这也是一个极其令人关切的问题，这种损失正在逐年增加。

尽管在使交通流量尽可能顺畅方面取得了许多进步，但每年仍有数百万起事故报告。事实上，道路交通事故已经被列为人类生命损失的第九大基础[2]。

数据显示，每年约有126万人死于交通事故，占全球伤亡人数的2.2%，此外每年还有近2000万至5000万人受伤或致残。随着每年的激增，预计