随着科技的发展以及社会的进步,视频监控系统已经成为人们日常生活中的一项重要安全保障。但是随着最近摄像头数量爆炸性的增长,传统的视频监控系统只记录,不处理的特性越来越不能被人们所接受,过多的人力物力耗费其中的同时,还存在着效率低下,误警、漏警偏多,相关工作人员易疲劳等缺点。所以,如何将监控系统智能化,自动化,高效化一直是工程领域内的热点研究问题。近年来,随着人工智能技术以及计算机科学的飞速发展,计算机视觉领域也取得了突破性的进步,而深度学习技术是其中的技术核心。本文通过多种深度学习算法之间的比较,选择结合目前深度学习领域较为先进的YOLOv3算法,设计了一个以行人检测为核心,辅以后续的视频分析处理和数据库存储功能的智能化人员区域管控系统。本系统能够避免传统监控系统中对于人工的依赖,提高工作效率,同时保证智能分析功能的稳定性与准确性。本文首先构建了基于深度学习的智能人员区域管控系统的软硬件架构。系统硬件由监控系统与门禁系统两部分构成,两部分通过全千兆交换机共同连接在同一处理主机上。系统软件通过获取硬件系统传来的视频信息,利用微调后的YOLOv3对于视频流进行分析检测,并结合数据库对处理结果进行存储,系统设计合理,工作高效,在现场测试中运行稳定。由于本系统所应用的场景中,人员目标与公共数据集中的人员目标在拍摄角度、距离远近、姿态遮挡等方面存在着较大不同,本文还利用现场采集得到的视频图像信息构建了适用本文检测系统的样本集,并在迁移学习的思想指导下对于原始的YOLOv3模型进行了微调,然后将微调后的YOLOv3模型与原始YOLOv3模型进行了对比实验。实验结果表明,本文中微调后的YOLOv3模型相较于原始模型在本实验场景下性能存在着优势,检测速度达到29ms/帧,虚警率与漏警率与微调前的原始YOLOv3模型相比较降低至原来的1/5与1/2,达到了0.3%与3.6%,在保证实时性的同时获得了良好的检测性能。