计算机视觉技术现如今已经广泛应用于各行各业,如视觉测量、事件监测、目标检测、场景重建等等。其中目标检测技术作为计算机视觉领域的重要研究方向之一,它在军事侦察、智慧城市、智能交通、视频监控等领域有着重要的应用前景。常用的目标检测算法有光流法、帧差法、背景差分法、匹配法等。随着近些年来硬件性能的不断提升以及新的算法的提出,基于深度神经网络的方法通过自主学习目标特征,在目标检测领域中表现出了强大的鲁棒性,甚至一些目标检测算法可以在服务器上实时的进行静态或者动态目标检测。本文尝试在嵌入式平台NVIDIA Jetson TX1上开发一套多功能的硬件系统,用于无人机上的实时车辆目标检测,并且可以通过惯性测量传感器以及GPS传感器,获取当前无人机飞行姿态以及地理位置坐标。全文的主要内容包括:第一章阐述了本文研究的背景以及意义,分析了动态目标检测的国内外研究现状,给出了本文的主要研究内容。第二章分析了移动端动态目标检测系统的需求,给出了系统的总体软硬件方案,完成传感器、嵌入式平台等硬件的选型。第三章对比分析了光流法、帧差法、背景差分法、匹配法、深度卷积神经网络目标检测等算法,选择深度卷积神经网络的目标检测算法用于多种情况下的动态场景目标检测。第四章,主要基于深度卷积神经网络的实时目标检测方法进行了训练,并改进模型,在嵌入式上移植部署。首先制作车辆数据集VOCcar,进行训练;接着对目标检测模型tiny-yolo进行改进;最后将深度学习模型迁移部署在NVIDIA Jetson TX1上,实现了移动端的动态车辆目标检测,其中检测帧率稳定在20帧左右。第五章实现硬件系统与目标检测算法的集成,开发了原型系统。利用Arduino对无人机的姿态信息数据以及地理坐标数据进行采集,并采用卡尔曼滤波算法对数据进行滤波解算,获取无人机更为准确的姿态信息。第六章总结与展望,总结了论文的主要工作和成果,并展望了未来嵌入式人工智能硬件系统的研究以及发展。