随着人工智能在物联网领域的高速发展,面向嵌入式应用方向的深度学习技术也在不断革新,利用卷积神经网络的方法研究行人检测便属其中之一。传统的行人检测研究大部分都是在GPU平台上去实现,但基于GPU的研究方法会存在着功耗大、速度慢、成本高等客观缺陷,加上神经网络本身的计算复杂度较高,因此不能够较好地满足嵌入式应用中所需要达到的实时性以及准确性。然而值得庆贺的是,基于FPGA的嵌入式异构平台在深度学习加速系统这一研究领域有着极为出色的表现。本文也将对基于FPGA嵌入式异构平台上的行人检测加速系统加以详细阐述。本文经过对一系列行人检测方法和嵌入式应用平台加以研究后,最终决定在软件上采用YOLOv2网络,硬件上采用Intel A10 SOC FPGA嵌入式异构处理平台来对行人检测加速系统进行设计与实现。在加速设计方法上,本文依据Open CL所具有的异构并行计算特性,主机端负责数据预处理和系统的整体调度,将复杂度较高的计算密集型运算以数据处理内核的方式部署在FPGA端实现,从而将多个数据处理内核连接成一个深度流水线结构,省去了数据处理过程中频繁的读取操作,降低了系统运行时对较高带宽的依赖,提高了系统的执行效率;并通过设置卷积内核在不同维度上的并行度来加速卷积运算,极大地提高了卷积运算的效率,起到了很好的加速效果。本文最终在Intel A10 SOC FPGA嵌入式开发板上设计实现了基于YOLOv2网络的行人检测加速系统。首先对系统硬件平台进行搭建,包含软硬件开发环境配置,编译安装了Linux内核摄像头驱动,实现了摄像头实时行人检测的目标;另外,本文还在Darknet框架下训练了行人检测模型,并进行了训练模型性能评估,模型平均准确率达到了90%以上,可以很好地应用于系统的部署与实现;最后通过在DE5＿NET FPGA开发板和A10 SOC FPGA嵌入式平台上的系统性能测试,验证了本文所提出的加速设计方法的可行性。其中,DE5＿NET FPGA板卡上,在系统整体逻辑资源仅占25%、RAM资源仅占46%和DSP资源仅占14%的条件下,将YOLOv2行人检测系统加速到了409ms左右;A10 SOC FPGA嵌入式平台上,在资源利用率相近的条件下,将行人检测系统加速到了225ms左右。除此之外,在基于摄像头的实时视频流行人检测实验中,YOLOv2行人检测系统在准确率为93.95%条件下能够达到30帧/s的实时效果。