婴幼儿在睡眠过程中容易出现踢被而未能及时发现的情况,这容易造成着凉感冒,并在很大程度上影响父母的睡眠质量。故实时高质量婴幼儿踢被状态检测极为重要。目前常见的婴幼儿踢被状态检测技术有基于传感器的,如温度传感器,红外传感器、光电传感器等,虽然实现简单,但是检测精度易受到环境温度、光线影响。且需将检测器固定在身体上,因此十分不方便及存在安全隐患。此外,由于传感器响应滞后,导致检测的实时性较差。而基于视觉的踢被状态检测具有非接触、人眼可见等优势,随着检测方法的发展,使其逐渐成为了主流。目前,传统的视觉检测由容易受到光线、婴幼儿着装、被子花纹等影响,其算法鲁棒性较差。而近几年快速发展的深度学习方法可以有效地规避外界环境的干扰,具有较高的识别准确性,使其成为了目标检测研究领域中的热点。但是由于其网络模型较为复杂,需要大量的样本进行训练,故难以部署到嵌入式平台中。因此,本文针对此类问题进行了研究,主要工作如下。针对目前深度学习中样本标注规则都是采用非结构约束的,这样容易造成图像目标中结构信息丢失,从而影响检测准确度。因此,本文提出了一种基于人体结构约束的图像标注规则,该规则通过对关键部位加入人体结构约束信息,提高了各关键部位的检测精度。另外,考虑到婴幼儿踢被状态检测实际应用场景样本过少,这给YOLO v4算法的模型训练造成了困难。因此,本文提出了一种基于增量学习的小样本训练方法,该方法通过引入一个用于调节批次训练中源训练集与目标训练集比例的超参数来实现。通过实验表明所提方法可以较好地适应了本文的应用场景。另外,考虑到YOLO v4模型参数量及计算量过于庞大,难以部署到存储空间、算力有限的嵌入式平台中。本文提出了一种基于YOLO v4模型轻量化的婴幼儿踢被状态检测方法。该算法中的模型轻量化是通过控制网络深度及宽度、引入小型跨残差模块和去除冗余检测头的方式来实现的,这样可以有利于部署到嵌入式平台上。通过实验表明,该方法保持了和YOLO v4相同精度的基础上,模型权重比YOLO v4 Tiny要小1.8倍。最后,为了验证所提算法的可行性,设计并实现了婴幼儿踢被状态检测原型系统。该原型系统能够实现自定义踢被状态、实时踢被状态检测、踢被报警、保存检测结果等功能。