随着深度学习目标检测研究越来越深入,相关技术正逐步赋能于嵌入式设备,为其提供更强的计算分析能力。深度学习环境部署和目标检测模型训练对于嵌入式开发人员存在着一定的行业门槛。当前,公交运营监控管理中也逐渐应用嵌入式目标检测。因此,为了降低深度学习目标检测技术的应用难度,本文提出了一个嵌入式目标检测平台设计方案,从而提供了一个具备较强通用性的、操作流程简便化的嵌入式目标检测平台,使其可以用于多种公交监控管理相关的场景。该平台同时具备设备管理和目标检测模型训练能力。本文主要研究内容有:1.设计一个适用于公交运营监控管理的嵌入式目标检测平台本文设计的该平台应兼具设备（车载、路侧等设备,下同）管理能力和深度学习训练测试能力的平台,可适用于嵌入式目标检测场景。本文设计的该平台应具备在线推送模型、配置文件、参数的能力;设备快速注册到平台的能力;具备视频和文本形式展示目标检测结果的能力;具备简化的统一的清晰的模型训练流程的能力。2.实现平台各功能模块并在实际场景中进行验证首先,本文实现的该平台主要分为四个模块:中心服务端、嵌入式端、文件服务器、转发服务器。中心服务端主要提供了平台所需的相关服务和同用户交互的能力;嵌入式端主要提供了嵌入式目标检测能力和接收命令、上传检测结果能力;文件服务器主要提供了模型和配置文件储存和管理能力;转发服务器主要提供了转发检测后视频流能力。接着,本文针对平台中的四个模块进行了功能测试和模块测试,证明该平台提供的相关能力的可用性和稳定性。最后,本文针对公交站台监控场景和车内拥挤度检测场景,利用该平台进行了场景测试,证明该平台可以满足公交运营监控管理场景的相关需求。3.设计一种级联特征检测算法,解决车内拥挤度检测场景问题首先,为评价车内拥挤度,本文设计了一种级联特征检测算法。该算法先通过目标检测算法得到场景中的关键目标,在经过中间连接块转化为掩模图,最后通过分类网络得到拥挤度评价结果。接着,本文进行了最优检测算法选择的实验,Yolov3以67.9%的准确率和68.0fps,在精度和速度的综合考虑下优于其他算法;本文又进行了最优分类网络选择的实验,AlexNet以82.7%的准确率和512.90fps,在精度和速度的综合考虑下优于其他网络。最后,本文选择Yolov3和AlexNet作为级联特征检测算法中的检测算法和分类网络。