近年来,随着人工智能领域的迅猛发展及目标检测技术的成熟,以行人检测为技术基础的各类系统已被广泛应用到了无人驾驶、智慧交通、智能监控等领域。利用计算机代替人眼,可在大量降低人力物力消耗的基础上,提升目标检测效率,这使得客流检测系统在安防监控领域处于人们研究的重点与热点。但目前已有的客流检测系统常依托于服务器进行开发与应用,这使得后台运行压力增大、计算量增加、带宽成本增高。基于以上问题,本文引用边缘计算思想,将目标检测、跟踪、客流数据统计等工作移植至前端边缘设备中进行开发与应用,研究适用于边缘计算的轻量级检测网络并选用嵌入式GPU平台完成整体系统搭建。主要研究成果如下:针对行人检测模块,本文提出了基于YOLOv3-tiny网络轻量化的行人检测算法,利用深度可分离卷积重新构建Yolov3-tiny主干网络,在保证算法检测速度的前提下,提高网络提取行人特征的能力,并增加一层预测层,确保各个尺寸的目标被准确检测,保证网络检测的准确率。针对行人跟踪模块,本文提出了基于深度学习与多特征融合的目标跟踪算法,利用行人检测模块得到的行人目标位置信息,可对待检测视频中每帧出现的行人目标进行多特征提取,并根据提取到的多特征运用匈牙利算法进行数据关联,最终形成跟踪轨迹。本文选用NVIDIA TX2开发板作为系统开发平台,研究并开发适用于平台的行人检测、目标跟踪、数据分析等模块。在软件架构层面上,实现了行人目标检测、多目标跟踪、行人数量、密度、速度、行进方向等客流数据统计的功能。本客流检测系统已在多个地铁场景下进行了系统稳定性、功能性、及准确性的测试,实验结果表明:本系统稳定性及功能性均达到了课题要求,系统检测准确率达到95.8%,运行帧率达到18fps,基本满足实时地铁场景的应用需求。