随着社会的发展,人流监测在安全防范、城市建设、市场决策等方面发挥着越来越重要的作用,尤其是在广场、车站、百货商店等人密集的地方,人群过于集中容易造成安全事故。如果用传统的方法进行人工监控,面对大型监控视频的大量视频,长时间观察会导致管理员疲劳和巨大的能耗。还有可能因为各种突发事件使管理人员离开监控,从而造成疏漏。因此体育场馆人流监控与预警系统尤为重要。为了更好地保证密集场所人群安全,本课题在装有Raspberry Pi OS系统的树莓派4B上添加神经计算棒,利用深度学习技术对人流进行目标检测和密度计算,得到各部分人群密度,将人群密度通过热力图的方式显示出来,并语音提示拥挤区域疏散方向。本系统的研究具体从以下几个方面展开:首先对系统进行了宏观分析,列出其特点和需求。介绍了深度学习与边缘计算,从而得出边缘计算有很多优势,然后在比较树莓派4B与NVIDIA Jetson Nano之后选择出树莓派4B并给出原因,在其性能和特点上做出全面分析;还介绍了本次设计所用到的Raspberry Pi OS操作系统和神经计算棒;比较了不同推理框架的优点与缺点,选择了最佳推理框架Open VINO。其次对人流安全监控模型的构建方法进行了介绍。在查找公开数据集后对数据集进行初步的处理,将数据集进行划分,在PC端训练模型以及调参。介绍了MSCNN、YOLOv5和YOLOv6这三种目标检测算法,并最终选用YOLOv5作为本课题的算法,并通过推理框架和神经计算棒来提高其帧率。然后介绍了人流密集场所安全监控与预警系统的实现方法。选用了FOV为60度的摄像头进行信息采集模块的训练以及测试样本的获取。改进了基于人群计数算法的目标检测算法YOLOv5,并使用该算法进行了人流密集场所安全监控模型的训练和推理。并且实现了显示与预警模块,当系统检测到人群达到预警阈值时,屏幕上将显示预警信息以及相应的处理措施建议,以便工作人员及时采取行动。最后对基于检测的密集人群计数YOLOv5的人流安全监控系统进行了相关测试工作,验证了各模块的功能。分别检测了在树莓派4B和PC端进行试验的功耗,比较了结果。分别对比了CPU使用情况、准确度、帧率,分析了测试结果,将对比后选择的目标检测模型导入树莓派4B进行对比实验,比较直接检测、Open VINO加1个NCS2和Open VINO加2个NCS2。本系统实现使用摄像头对人群图像进行读入,显示密度热力图,并且当人数大于10人时,屏幕显示“Warning”,并通过语音模块提示疏散。实验结果表明,使用Open VINO和神经计算棒可以提高YOLOv5的推理速度,且直接检测的帧率仅为1.549fps,添加一个神经计算棒后帧率比直接检测提高了126.9%,添加两个神经计算棒后帧率比直接检测提高了286.5%。