目前随着车辆越来越多,交通安全问题日益突出,智能视觉分析技术可以有效的检测到可能的安全问题并作出相应的控制行为,从而改善交通安全问题。车头检测是智能视觉分析技术的一种重要技术,车头检测通过检测车迎面而来的头部部分,检测到的内容包括了车牌号、车灯、安全带、司机情况等各种重要信息,在感兴趣的目标触犯到设置的安全规则时,可及时发出警报反馈相关信息并采取相应管理措施。而在实际应用场景中,对车头检测任务具有实时性、准确性、低功耗的要求,虽然目标检测现在已有了一定的准确性,但当前的检测算法速度低,远不能针对摄像头数据进行实时处理,且检测器实际使用时消耗的功耗较大。而专门针对神经网络结构设计的人工智能芯片能极大的加快神经网络的计算速度,使车头检测任务满足实际应用且消耗的较低的功耗。因此,本文提出面向智能芯片的车头检测深度学习方法应用研究,包括以下研究内容:1.当前真实交通环境下的数据较少,本文构建了一套现实交通场景下的高清车头数据集,数据内容涵盖了:现实世界的天气环境,丰富的光照变化;各种各样的车型;多目标的复杂样本;直行、倒车、转角等复杂图像数据,并使用Tensor Flow框架下基于候选区域的目标检测算法和Py Torch框架下基于边框回归的目标检测算法对数据集做了交叉验证分析。2.根据车头检测任务对实时性的要求和对车头数据集的交叉验证结果,实现融合多特征图提取特征同时采用可分离卷积降低参数量和计算量的端到端轻量级车头检测器;降低实际测试时的运算量,并对车头检测器做了可视化分析。3.将端到端轻量级车头检测器应用到人工智能芯片MLU 100上,在本文构建的数据集上,速度较英伟达的TITAN XP提升约35倍,同时降低了功耗的消耗。并探讨了MLU 100单卡Cambricon caffe框架下的车头检测器性能及单卡多核模式下32个核不同的数据并行度和模型并行度搭配对车头检测器性能的影响。4.提出了从精度、速度、功耗三个方面来综合评价一个车头检测器模型的性能。在寒武纪MLU 100上对车头检测器的在线运行模式和离线运行模式做了综合评价。