目前实时人体目标检测算法在嵌入式设备上运行起来还是比较困难。困难主要在于当前基于深度学习的神经网络模型大多是为服务器量身打造,只考虑了服务器的性能,由于模型数据量和计算量巨大,导致在资源有限的嵌入式设备上运行很难取得良好的效果。针对以上的问题,本文对运动目标检测算法与深度学习模型的融合在嵌入式设备上的应用进行了研究。论文通过使用ViBe算法结合改进的YOLO v4-Tiny网络模型的方法,降低深度学习算法的参数量、计算量和复杂程度,将其移植到嵌入式设备中,实现了对于人体目标的实时检测。首先,对各种滤波算法之间的优缺点进行分析和讨论,对比实验表明,选择高斯平滑滤波算法作为运动目标检测滤波算法效果最优。其次,对于静态背景的视频监控系统,采用ViBe算法提取运动目标所在图像的区域。然后,使用了本文提出的最小框定法,只获取图像中包含运动目标的区域,减少无效信息的输入,减轻了深度学习的计算量。最后,使用了在人体目标检测上有着优秀实时性的轻量级模型YOLO v4-Tiny,针对该深度学习网络模型参数仍然较多,实际计算速度较慢的问题,本文使用Focus网络结构对YOLO v4-Tiny主干特征提取网络的普通卷积层进行了替换。同时,使用深度可分离卷积和通道混洗,对YOLO v4-Tiny特征模块进行了改进,在保证准确率基本不变的情况下,改进之后的YOLO v4-Tiny网络模型参数量减少了近43%,处理速度提高了19%,有效提升了算法的运行速度。在上述工作的基础上,本文设计了一套端到端的基于Web的家庭视频监控系统,针对嵌入式设备计算资源和存储资源有限的情况,实现了对人体目标实时检测的研究。通过对单一深度学习算法和本文提出的组合人体目标检测算法做视频处理能力对比测试,时间减少了61.78%,实验结果也表明了本文提出的组合人体目标检测算法远优于单一深度学习算法。