摘要
安全帽是各行各业施工现场工作者和高空作业人员必不可少的一种安全防护工具。进入施工现场前通常要求工人必须佩戴安全帽，但是每年都有因未佩戴安全帽的违规操作而酿成的事故。智能检测工人是否按照要求佩戴安全帽，在很多应用场合具有重要的意义。本文采用视频处理的方式，针对安全帽佩戴智能检测系统进行了大量的探索。主要研究工作如下： 首先，本文采用深度学习的方法构建了深度卷积神经网络模型。为减少模型参数，减轻计算机的硬件负担，本文采用深度可分离卷积来减少模型的参数以便构建轻量化深度卷积神经网络模型，采用特征金字塔的形式对不同层次的特征图进行融合来构建目标的多尺度检测，并采用残差网络思想来解决训练过程中的模型的退化问题。设计的网络模型在实际场景安全帽佩戴检测中取得了较好的效果。 然后，本文提出多特征融合的方法对安全帽佩戴情况进行检测，针对实际应用场景目标的特点，利用传统检测方法对安全帽佩戴检测进行设计，并与卷积神经网络模型检测结果进行融合，以便充分利用传统检测方法与深度学习检测方法的优势。先对视频进行运动目标检测，对检测过程加入目标时空限制条件和目标形状限制条件去除错误的检测目标，并加入光线敏感抑制项适应环境光线的变化。对得到的运动目标进行安全帽的相似度和颜色进行判断，实现安全帽佩戴检测过程。最后采用加权融合的方式对两种检测方法进行融合。 最后，针对检测模型受训练样本的限制问题，设计了基于马尔可夫决策过程的跟踪器对检测器进行辅助的系统以减少检测器某些场景大量漏检的情况。跟踪器采用核相关滤波跟踪算法，针对其对环境的抗干扰能力进行改进，利用平均峰值相关能量判断跟踪过程中目标的状态，当目标被环境干扰时对目标进行重新定位，并对目标受遮挡情况进行判断，最终根据目标状态来对跟踪模型进行更新。
NETL