行人过街是城市交通优化控制重要环节,准确检测行人过街需求对于保障路口行人过街安全和提升交叉口通行效率有很重要的意义。在新疫情防疫要求和智慧城市建设的双重背景下,对行人过街需求检测技术提出了非接触、安全、高效、智能化的要求,因此在行人等待区域安装非接触式视频行人过街需求检测设备的需求十分迫切。随着计算机视觉和深度学习的发展,目前基于深度学习算法的视频检测算法在高算力计算平台上的准确率和实时性已经非常高,但是在低算力、小容量的嵌入式芯片上实现高精度、快速检测还有待研究。本文在YOLOv4的基础上,进行模型裁剪、算法优化等研究,最终在低算力、小容量的嵌入式芯片上实现了较高精度、快速的检测算法,并研制了嵌入式的行人过街需求检测设备。论文的主要工作如下:第一,行人检测网络加速研究:为了适应嵌入式平台的低算力和小容量,本文在原YOLOv4的基础上进行轻量化改进,首先根据被检测视频的特征优化网络输入图片尺寸,加快网络运行速度;进而根据检测目标的特点将大目标检测网络进行裁剪,缩小网络体积,适应嵌入式小容量的特点;最后采用计算合并及量化等手段,再次提升网络的运行速度。最终在Jetson Nano嵌入式模块上实现了相对高速的运行速度,帧率从原来的0.8FPS提高到5.7FPS。第二,行人过街算法精度优化研究:考虑交通现场环境复杂、光照条件差、室外雨雪等影响,首先采集多种场景及不同环境下的行人过街图片,建立专用数据集;其次针对行人小目标分辨率低的特点采用Mosaic数据增强,来增加样本的多样性,丰富样本的背景,防止模型出现过拟合的情况;最后通过K-means++算法对训练集进行聚类,得到符合行人特征的最优宽高比和锚框个数,减少了网络训练收敛时间;通过本文算法优化,最终算法的精度相比于轻量化后的精度提高了约4.3%。第三,行人过街需求检测设备研制:基于Jetson Nano嵌入式模块设计了工业级的行人过街需求检测设备总体框架,设计了检测设备电路原理图及印刷电路板PCB,并完成了硬件样机的调试;移植本文研究的网络模型及算法,在Jetson Nano硬件上运行,验证了研究成果的有效性;编制了行人检测设备的应用软件,最终完成了基于低成本高精度的视频行人过街需求检测设备样机研制。