行人检测是计算机视觉中热门的研究领域之一,在安防监控、自动驾驶、智能机器人等场景下均有着重要应用。近年来,基于深度学习的行人检测技术发展迅猛,在准确率和速度上均有较大的提升。另外,随着边缘计算的发展,在嵌入式平台上部署模型进行实时行人检测亦成为了研究热点。针对嵌入式平台上的行人检测算法,本文主要开展了以下研究工作:首先,由于嵌入式终端上计算资源的限制,本文通过衡量检测精度与计算速度,选取了YOLOv3-tiny模型进行深入研究,设计了一个适合嵌入式系统的高性能行人检测网络。在网络结构方面,为强化YOLOv3-tiny网络的特征提取能力、丰富特征图的表达,使用了跨阶段局部网络（Cross Stage Partial Network,CSPNet）和空间金字塔池化（Spatial Pyramid Pooling,SPP）结构。考虑到行人检测任务中目标尺寸变化较大,且有较多小目标,本文将预测分支增加到了三个,并设计了能融合更多特征的双向跳级特征金字塔结构（Feature Pyramid Networks,FPN）。为提高预测框定位能力,加速模型收敛,本文还使用了距离交并比（Distance Intersection over Union,DIOU）损失。实验结果表明,改进后的YOLOv3-tiny模型具有更好的检测效果,在Caltech、KITTI和INRIAPerson数据集上精度平均值（Average Precision,AP）分别达78.96%,80.68%和90.30%,能够快速且准确地完成复杂背景下的行人检测任务。然后,将该模型部署在NVIDIA Jetson Nano 2GB嵌入式平台上。针对该平台的计算特性,从两个方面对模型进行了优化:一是引入深度可分离卷积和线性瓶颈结构,简化了网络结构,减少了计算量;二是使用Tensor RT模型推理加速库,设计了行人检测加速推理框架。实验结果表明,轻量化操作结合Tensor RT,使得模型在损失较少精度的情况下,获得了较大的速度提升。最后,在嵌入式平台Nano 2GB上,验证了本文所提出行人检测算法的准确性、实时性和稳定性。将本文所设计的模型和加速框架,部署到Nano 2GB上,使用IMX219感光芯片摄像头采集数据,采用V4L2和Gstreamer进行视频编解码,搭建了一个高效的嵌入式行人检测系统。实验结果表明,本文基于嵌入式平台所设计的行人检测系统,能够对行人目标进行快速、准确地检测,在视频分辨率为640×480时,能以25fps的帧率稳定工作。