随着人工智能和计算机视觉技术的飞速发展,图像中目标检测技术已成为研究热点并逐渐应用于各个领域。目标检测可以实现对图像中感兴趣的目标物体进行定位和分类。在实际应用中,目标检测模型的泛化性能随着视角、光照和形变等因素影响而下降,同时更加复杂的模型因其参数较多导致体积和计算量庞大,在生产和应用中难以移植到嵌入式环境下。本文从经典骨干神经网络出发,对深度可分离卷积网络展开研究,并提出了面向嵌入式环境的轻量化人体目标检测网络,解决了大型网络难以部署的问题。本文主要研究内容以及成果如下:(1)本文从目标检测任务出发,阐述解决此问题需要的技术基础。本文研究了传统算法中图像的特征提取技术,并介绍了机器学习的分类器算法。可变形零件模型作为成熟目标检测技术中传统算法的典范,成为我们研究如何利用机器学习执行人体目标检测任务的基础。随着深度学习技术的发展和计算机性能的提升,人们逐渐使用神经网络执行目标检测任务。本文详细研究了神经网络的组成部分和功能原理,并介绍了经典的目标检测网络。(2)深度学习作为数据驱动型技术,卷积神经网络具有设计难度高、数据量大和计算量大的特点,难以应用在计算资源非常受限的移动设备中。在嵌入式环境下,没有高速网络连接和高性能计算机,设备通常需要执行脱机运算,而嵌入式设备的计算能力、功耗以及成本等因素限制了大型算法的应用。本文详细研究了这个问题,并分析了若干轻量化骨干网络,提出了两种适合嵌入式设备的目标检测网络。(3)本文提出的M-YOLO和S-YOLO网络是基于深度可分离卷积的轻量化神经网络,深度可分离卷积是一种非标准卷积,能够显著降低卷积操作的计算量。网络使用YOLO层作为输出层,端到端的网络有着推理速度快和易于训练的优势,使用回归思想也避免了单独计算物体边框。网络的输出层使用多尺度特征图融合的方式,可以明显提高网络各方面性能。本文使用标准数据集评估网络,分析了实验现象并与其他网络作对比。最后本文提出了算法今后的改进工作以及对未来的发展趋势进行展望。