路口环境下的行人检测是智能交通环境感知的重要组成部分。传统路口行人检测依赖于人工设计特征,存在一定的主观性,而且算法和平台硬件性能都无法满足场景检测需求。随着深度学习的发展和计算机硬件性能的改善,卷积神经网络在行人检测领域取得了优异的成绩。同时,由于近几年嵌入式平台边缘计算能力的提升,因此寻求一种高效、快速的面向嵌入式平台的路口行人检测算法具有较高的应用价值。本文主要研究工作及成果如下:(1)以路口环境下的行人为研究对象,对比传统行人检测算法,并将CENTRIST+SVM HIK算法移植到仅支持CPU计算的WB-L20B嵌入式平台,由测试结果可知该系统无法满足路口场景的性能需求。转而研究基于深度学习的行人检测算法,通过两类算法对比,选择性能最优的YOLOv3算法(AP 52.58%,FPS34.5)作为本文的研究对象;对于行人定位不准确的情况,在不改变模型网络的情况下,优化模型超参数(损失函数各部分的权重,背景忽略阈值),将AP由52.58%分别增加到64.03%和62.68%;(2)针对特征尺度不连续的问题,采用空间自适应权重融合策略,降低梯度计算对网络误差反向传播过程的影响;为了提高anchor生成效率,使用Guided anchoring指导anchor生成,经过ASFF与GA优化后算法AP提升了15.59%;分析路口行人实际尺寸和网络输出尺寸与感受野的关系后,新增针对小尺寸的输出尺度,在计算量增加16.131Bflops的条件下,AP提升了15.69%;并使用Dop Block来提高模型抗过拟合的能力,得到YOLOv3-M2算法;最后建立PD数据集,根据PD数据集测试结果可知,在FPS为23.1的条件下,YOLOv3-M2算法的AP达到了93.52%;(3)针对嵌入式平台的运行速度较慢的问题,压缩YOLOv3-M2网络;通过分析轻量级网络输出特征与感受野关系后,增加若干倒残差模块优化网络,在AP略微下降的条件下,FPS由23.1提升到32.1;然后针对行人遮挡的情况,使用Softer-NMS算法优化预测框的定位效果,得到YOLOv3-M3算法。由PD和CUHK Square数据集试验结果可知,YOLOv3-M3算法检测速度提升到M2的1.35倍,可以很好地平衡路口行人检测速度与精确率,适合嵌入式平台。