近年来,随着人工智能的发展和硬件计算能力的提升,行人检测算法在性能上也有了较大的提升,并在一些实际场景中得到了应用。但由于深度学习所需的计算资源较大,基于深度学习的行人检测算法还无法在自动驾驶、移动机器人等计算资源有限、实时性要求较高的场景上得到较好的应用。本文使用SSD(Single Shot Multi Box Detector)目标检测算法进行行人检测,并围绕车载摄像头场景针对算法的轻量化展开了研究,主要研究内容如下:(1)针对SSD目标检测算法中特征提取网络计算量大、耗时长的问题,本文将原有的特征提取网络替换为Mobile Net轻量化特征提取网络,有效减少了算法的计算量和参数数量;沿用SSD算法中使用多尺度特征图进行目标检测的思想,本文针对车载摄像头场景下行人尺度变化较大和小尺度目标占比较大的情况,使用了7个不同尺度的特征图进行目标检测,将算法对于小尺度目标的检测准确率提升了1.35%。(2)针对车载摄像头场景下的行人目标检测任务,本文通过对数据集中行人目标纵横比的统计分析,对算法中默认检测框的纵横比和个数进行了重新调整,共设计了三种不同纵横比的默认检测框,并对不同特征图中默认检测框的数量进行了相应的调整。最终本文算法生成的默认检测框的数量比原生SSD目标检测算法生成的默认检测框的数量减少了一半。(3)针对嵌入式平台浮点数计算能力有限的问题,本文在常用激活函数的基础上设计了新的激活函数,从而限制了激活函数的输出范围,并降低了计算难度,同时增加了对负值输入的响应。本文针对上述的网络设计与优化进行了实验验证,并将本文算法与两种主流的行人检测算法进行了实验对比,同时在不同的天气场景下对本文算法的鲁棒性进行了测试分析。实验结果表明本文算法具有较好的检测效果(召回率为66.73%)和鲁棒性,在NVIDIA Jetson TX2嵌入式平台上基本满足实时性要求。