近年来,随着计算平台性能的飞速发展,基于深度神经网络的目标检测模型不断推陈出新,检测精度也不断提高。同时,由于移动终端设备的不断增加,使用嵌入式平台完成实时目标检测任务的边缘计算场景需求也与日俱增。但在多数边缘计算场景应用中,受限于嵌入式设备的计算能力,深度学习的目标检测网络模型通常很难获得兼顾高检测精度和高实时性的效果。因此需要结合具体边缘计算场景需求或嵌入式平台特点有针对性地设计和改进模型网络结构和处理流程,实现模型检测精度和运算速度的平衡,达到嵌入式实时高效目标检测效果。针对此问题,本文一方面重点研究基于嵌入式平台的目标检测算法速度优化问题,结合轻量化思想,对高精度目标检测模型进行改进使之能在嵌入式平台上高效运行实现,另一方面使用数据融合的手段提出目标检测识别与测距联合实现的算法框架,利用RGB-D数据在嵌入式平台上实现对目标检测同时的测距定位。论文主要内容包括:一、应用MobileNetv3网络的轻量化思想对YOLOv4模型进行改进,提出一种轻量化目标检测网络模型MobileNetv3＿YOLOv4,在保证检测精度的同时实现嵌入式平台上实时目标检测功能。MobileNetv3模型是Google公司开发的一种轻量化深度学习算法,保证特征提取效率的同时,大幅度提高网络的运行速度,适用于移动计算能力有限的嵌入式平台;YOLOv4则是YOLO系列模型的最新成果,通过CSPDark Net53网络和多尺度特征融合的结合使得模型兼具高精度和高效率的特点。但由于所需计算资源较多,YOLOv4模型仍无法在多数嵌入式平台实现实时目标检测功能。本文结合MobileNetv3网络中深度可分离卷积可以减少模型参数量的特点,对YOLOv4模型进行改进,提出一种MobileNetv3＿YOLOv4轻量化网络模型,在识别精度相当的情况下,大幅度提高网络的运行效率;此外,本文采用CIOU函数替换目标检测网络的预测框损失函数Smooth L1,使用几何结构相似度描述预测框和真实框的匹配程度,改善了预测框和对待测目标的概括程度,从而提高网络的检测精度。实验结果表明,所提出的MobileNetv3＿YOLOv4网络较YOLOv4模型参数量大幅减少,在NVIDIA TX2嵌入式平台上检测速度达到12帧/s,提升了嵌入式平台的实时目标检测性能。二、根据深度图像数据可以较准确测量物体距离的特点,将目标深度图像数据和RGB视频数据相结合,提出一种基于RGB-D数据融合的目标测距方法。该方法在模型完成实时性目标检测功能的基础上,首先通过相机标定的方式分别确定深度图像、RGB图像和真实三维坐标系之间坐标的对应关系;其次使用图像配准的方式将目标的深度图像与RGB图像相匹配,得到RGB图像和深度图像中像素的对应关系;最后由MobileNetv3＿YOLOv4模型得到RGB图像中目标的预测框信息,并将相应内容转换到深度图像中,通过获得待测目标区域的深度图像数据转换得到目标的相对距离,从而实现目标检测基础上的测距功能。实验结果验证了所提方法的有效性,其在测试阶段的误差范围为厘米级,具有一定实用价值。