目标检测主要是确定图像中是否存在感兴趣目标,并对其精确定位,可应用于物品检测、数目统计、目标跟踪等。传统的目标检测算法一般采用滑动窗口选择图像区域,采用SIFT、HOG等方法进行特征提取,采用SVM、Adaboost进行类别判断,存在特征提取鲁棒性差、区域选择没有针对性、时间复杂度高、窗口冗余等问题。基于深度学习的目标检测模型,如SSD、Faster R-CNN、YOLOv3,在鲁棒性、速度和精度等方面都有了很大提高,存在的主要问题有:模型的训练需要强大的计算能力、模型的部署比较繁琐、模型的推理仍需要一定的计算能力。本文针对便携式目标检测系统展开研究,在计算能力受限、功率受限的嵌入性系统中加入高性能、低功耗的Intel神经计算加速棒,承担主要的深度学习模型推理计算任务,实现快速目标检测,主要工作包括:(1)确定便携式目标检测系统总体设计方案,选用YOLOv3模型做目标检测,选用Intel神经计算加速棒NCS2做推理加速,选用开放视觉推理与神经网络优化库OpenVINO做模型转换、优化与部署,选用树莓派3b+做嵌入式平台。(2)在PC平台上,搭建基于YOLOv3的目标检测原型系统,并评估性能。系统采用Intel E5-2670 CPU+NCS2+USB 摄像头+Ubuntu16.04+OpenVINO+YOLOv3/tiny-YOLOv3 结构,实测使用单个NCS2加速计算时,YOLOv3/tiny-YOLOv3推理速度分别为1.6/14.3 fps,约为E5-2670 CPU推理性能的43%。(3)构建便携式目标检测系统平台,采用树莓派3b+(ARMv7 CPU)+NCS2+USB摄像头+Raspbian stretch+OpenVINO+YOLOv3/tiny-YOLOv3结构,实测使用单个NCS2加速计算时,YOLOv3/tiny-YOLOv3推理速度分别为1.2/7.1 fps,不计平台本身及外接触摸屏功耗,YOLOv3/tiny-YOLOv3模型分别使系统增加约1.4w/1.2w功耗,适用于便携式应用场景。面向特定应用场景,重新训练模型,实测结果表明,在网络结构相同仅权重不同时,模型检测不同数量目标时的性能稳定。