随着社会的进步和科技的日益发达,人们在平时生活中的安全意识也在日益增强,特别是在老龄化日趋严峻的今天,独居老人在室内外活动时的安全要求日益提高,针对这一社会现象本文通过运用嵌入式技术、网络通信技术以及整合采用深度学习的目标检测算法的行为识别模块,完成了一套轻量化的嵌入式跌倒检测系统,该系统集成了视频监控、网络通讯和跌倒检测等多个功能。首先,提出了一个在嵌入式平台上运行深度学习算法模型的设计方案。但是通常情况下,深度学习算法模型的训练过程不适合在嵌入式设备上进行。故本文的模型训练过程是在PC平台Windows10的环境下进行的,然后将训练好的算法模型移植到嵌入式平台设备上以实现调用和运行。具体方案如下:在硬件平台上选择了搭载S5P6818芯片的X6818开发板,并连接摄像头获取监控画面,再由开发板上运行的视频服务器完成对于视频流的检测算法调用和监控画面的传输。与此同时,为了保证视频服务器和训练好的算法模型能够部署在嵌入式设备上运行,本文将Linux系统移植到了开发板上,并且部署了适合于嵌入式设备的算法推理框架MNN以保证移植后的算法模型的正常运行。接着是对模型的训练,在windows10平台基于PyTorch学习框架,对各类跌倒行为进行了分类整理,基于自己拍摄和网络上收集的534张图片,使用Label Img标注工具,完成了跌倒行为数据集的制作。之后通过改变网络宽度和网络深度对YOLOv5（You Only Look Once）算法模型轻量化处理,进一步减少了网络参数和计算量,提高了检测推理的速度。由于模型轻量化后,无法避免出现检测精度降低的问题,考虑在此基础之上对网络结构进行优化处理,采用了基于密集连接网络思想的方法改变了算法网络结构,改进后的模型与原模型进行了对比实验,新模型经过更少的迭代测试次数达到了最佳性能,召回率提高了1%,精度提高了0.96%,在置信度设为0.5的条件下,m AP达到0.962。最后对系统的各个功能模块以及系统整体功能进行测试,对于跌倒检测算法模型移植到开发板上的检测速率,在运行过程中平均速率达到16fps,且在最后的跌倒行为检测实验环节,检测成功率达到98%,基本符合跌倒监测系统的总体要求,为下一步研发工作做好铺垫,并具备相当的实际使用价值。