为了研究因受限于观测点位的临时性和不确定性而导致自动化技术手段无法在临时交通观测中实用的难题,提出了一种适用于侧视角度拍摄视频、可快速识别车辆并实现交通流量统计的方法,该方法克服了传统视频识别技术无法满足侧视视角交通视频识别的困难.采用基于深度学习的YOLO_V3方法,以临时观测的路侧采集视频为对象进行车辆检测,提出基于车辆检测区域和流量计数区域的二级目标物检测框架,建立卡尔曼滤波+匈牙利分配+透视投影变换的交通流量计数模式,实现车辆的快速和高精度追踪.采集多组实际视频数据,从拍摄相机与道路相交角度、相机架设高度、道路车流密度3个指标,分析了不同条件下方法的有效性,结果表明:在相机高度为3　m,与路侧夹角为30°的环境中,车流计数精度在95％左右,但当公交、货车等大型车辆占比较高时,精度降为90％左右.在windows10　x64操作系统,2080Ti显卡,64　G内存,i7-7820XCPU的环境下,利用1080P视频流进行执行效率测试,显示相机架设角度和高度均对程序运行效率无显著影响,而车流密度则影响较大,在低密度流量下,FPS值约为44,而高密度流量下,FPS值降为33左右,表明该方法仍然具有较高的执行效率,可用于实时视频流量计数.