基于計算機視覺的安全帽佩戴狀態檢測研究

摘 要

　　安全帽作為施工人員防護頭部的工具，對工人的人身安全有著極 其重要的作用�，F存的安全帽佩戴狀態檢測主要是基于人工監控，人 工監控要求監測人員時刻保持在崗狀態，但是人工監控容易出現疏 漏，存在漏檢情況�；�于計算機視覺的安全帽佩戴狀態檢測可以代替 人工監控工作。在不同施工場景下檢測安全帽的佩戴情況已成為人工 智能、模式識別等領域的研究熱點，尤其是在計算機視覺領域。針對 安全帽佩戴狀態檢測的復雜性，本文從圖像特征描述、特征提取、目 標檢測等環節提出了兩種檢測研究方法。本文具體研究工作和創新點 包括以下兩點：

　　一、提出一種改進增強隨機蕨算法（Improved Boosted Random Ferns Algorithm, IBRFs），并應用在安全帽佩戴狀態檢測中。針對安 全帽佩戴狀態檢測在復雜的建筑場景下容易失效的問題，本文以隨機 蕨算法作為基礎，首先，利用方向梯度直方圖（Histogram of Oriented Gradient, HOG）對圖像進行特征提取，形成圖像的特征域空間；其次， 在特征域空間采用隨機二元測試的方法構建隨機蕨；再次，在隨機蕨 上選擇目標與背景之間存在顯著差異的位置點和參數，構建具有一定 識別能力的弱分類器；最后，采用 Real AdaBoost 算法，構建強分類 器對圖像進行分類預測。由于 Real AdaBoost 算法中分類器的構建只 是將多個弱分類器進行簡單的加權組合，沒有很好的發揮弱分類器的 作用，因此本文提出了一種改進增強隨機蕨算法，利用加權系數法選 擇多個判別性較強的弱分類器構建強分類器。在實時的安全帽檢測任務中，本文提出的 IBRFs 算法檢測精確度達到 92.74%,相對于 BRFs 算法準確率提高了 9.5%左右，極大地提高了分類準確率。在普通環 境下，可以實現 8 f / s的檢測速度，滿足實時檢測的要求。

　　二、構建ResNet50-SSD（ResNet50-Single Shot Multi-box Detector） 模型，并應用在安全帽佩戴狀態檢測中。為了解決實時場景下小尺寸 目標檢測準確性較低的問題，本文提出了一種基于 ResNet50-SSD 的 安全帽佩戴狀態檢測模型。該模型以 SSD（Single Shot Multi-box Detector）網絡作為基礎，首先，將基礎網絡VGG-16替換為ResNet-50, 并對 ResNet-50 中 conv4_x 的第一個殘差網絡結構進行修改，使得第 一個輸出的特征矩陣大小不變；其次，在 conv4_x 之后添加一系列的 附加層，并引入批量歸一化（Batch Normalization, BN）層，加快網 絡收斂速度；再次，分別在不同的特征層上對不同尺寸的目標進行預 測；最后，通過非極大值抑制算法，濾除掉小概率的目標得到最終的 檢測結果。在國際公開的安全帽數據集 SHWD 上，本文提出的 ResNet50-SSD 模型檢測精確度為 80.4%,相對于 VGG16-SSD 模型提高 了 2.23%左右，檢測速度為每秒 35 幀，滿足實時檢測的要求。 本文將提出的兩種算法分別在實時場景下的數據集和國際公開 的數據集上對安全帽佩戴狀態進行實驗檢測，并與現存的其它先進目 標檢測算法進行比較并分析，驗證了本文算法在檢測精確度和實時性 上的優越性。通過實驗驗證，本文提出的算法在確保較高檢測精確度 的同時亦能滿足實時檢測的要求，具有較強的泛化能力和魯棒性，能 夠適應復雜環境下的安全帽佩戴狀態實時檢測。

　　關鍵詞：目標檢測安全，帽佩戴狀態檢測，增強隨機蕨加權系數，ResNet50-SSD

　　Abstract:

　　Safety helmet, as a tool to protect the head of constructor, plays an extremely important role in the personal safety protection of workers. The existing helmet wearing status detection is mainly based on manual monitoring. Manual monitoring requires monitoring personnel to keep on duty at all times, however, manual monitoring is prone to oversight, there is a situation of missing inspection. Safety helmet wearing status detection based on computer vision can replace manual monitoring. Detecting the wearing of safety helmet in different construction scenarios has become a research hot spot in artificial intelligence, pattern recognition and other fields, especially in computer vision field. Aiming at the complexity of detecting the safety helmet wearing status, this paper proposes two detection methods in the process of image feature description, feature extraction, and object detection. The specific research work and innovations of this paper include the following two point

　　1. Propose an Improved Boosted Random Ferns Algorithm （IBRFs） and apply it to the detection of safety helmet wearing status. Aiming at the problem that helmet wearing status detection is easy to fail in complex architectural scenes, this paper takes random ferns algorithm as the basis. Firstly, the image features are extracted by Histogram of Oriented Gradient （HOG） to form the feature domain space of the image. Secondly, random ferns were constructed by random binary test in feature domain space. Then, the position points and parameters with significant difference between object and background were selected on random ferns to construct weak classifiers with certain recognition ability. Finally, the Real AdaBoost algorithm is used to construct a strong classifier for image classification and prediction. Since the construction of classifier in Real AdaBoost algorithm is only a simple weighted combination of multiple weak classifiers and does not play the role of weak classifiers well, an improved enhanced random ferns algorithm is proposed in this paper. The weighted coefficient method is used to select multiple weak classifiers with strong discriminant characteristics to build a strong classifier. In the real-time helmet detection task, the detection accuracy of the IBRFS model proposed in this paper reaches 92.74%, which is about 9.5% higher than that of the BRFS model, and greatly improves the classification accuracy of the classifier. In a normal environment, the detection speed of 8 f / s can be achieved to meet the requirements of real-time detection.

　　2. The ResNet50-SSD （ResNet50-Single Shot Multi-box Detector） network is constructed and applied in the safety helmet wearing status detection. In order to solve the problem of low accuracy of small-scale object detection in real-time scenes, this paper proposes a method of helmet wearing status detection based on ResNet50-SSD network. The model is based on the SSD （Single Shot Multi-box Detector） network. Firstly, the basic network VGG-16 is replaced with ResNet-50, and the structure of the first residual network of conv4_x in ResNet-50 is modified to make the size of the eigenmatrix of the first output constant; Secondly, a series of additional layers are added after conv4_x and the Batch Normalization （BN） layer is introduced to speed up the convergence of the network. Thirdly, the objects of different sizes are predicted in different feature layers. Finally, the non-maximum suppression algorithm is used to filter out the objects with low probability to get the final detection result. On the international pubilc safety helmet dataset SHWD, the detection accuracy of the ResNet50-SSD model proposed in this paper reaches 80.4%, Compared with vgg16-ssd model, it improves by 2.23%, and the detection speed is 35 frames per second, which meets the requirements of real-time detection.

　　The two algorithms proposed in this paper are used to test the wearing status of safety helmets in real-time scenes datasets and international public datasets respectively, and compared with other existing advanced object detection algorithms, it verifies the superiority of the proposed algorithm in detection accuracy and real-time performance. Through experimental verification, the proposed algorithm can not only ensure high detection accuracy, but also meet the requirements of real-time detection. It has strong generalization ability and robustness, and can adapt to real-time detection of safety helmet wearing status in complex environment.

　　Keywords: Object detection Safety helmet wearing status detection Boosted Random Ferns Weighting coefficient ResNet50-SSD

　　目 錄

　　1 緒 論

　　在本章中，首先，對本文的研究背景及意義進行簡要闡述；其次，對國內外安全 帽佩戴狀態檢測研究的最新研究現狀進行闡述，分析現存的主要問題；最后，介紹本 文的主要研究內容，并對本文的組織結構進行簡要概括。

　　1.1 研究背景及意義

　　1.1.1 研究背景

　　近年來，隨著城鎮化建設、新農村建設的加速發展，國家大力發展基礎設施建設， 各類施工作業遍布大小城市。生產安全也成為了國家及各級政府最為關注和重視的問 題，然而許多施工場地仍存在著嚴重的安全隱患，根據住房和城鄉建設部統計，2019 年全國共發生房屋市政工程生產安全事故773起、死亡904人，給社會和家庭帶來了巨 大的損失，建筑施工行業的安全形勢十分嚴峻[1].因此，最大限度地降低安全隱患， 提高施工人員自身的安全意識迫在眉睫。雖然通過安全教育培訓，可以增強作業工人 的安全意識，一定程度上減少安全事故發生的概率，但是，要從根本上解決問題，避 免因為未佩戴安全帽而造成的安全事故，還是需要科學、合理、高效的監控和管理[2]. 隨著科技的發展，大多數的施工作業場地都安裝了監控設備，負責監控管理的人 員會定時進行視頻監控處理，實現安全帽佩戴狀態的實時監測，但是目前的安全帽檢 測系統依舊存在著以下問題：

　�。�1）檢測精確度低：目前的安全帽檢測算法分為傳統的目標檢測算法和深度學 習檢測算法。但是由于施工場景復雜、檢測目標之間存在部分遮擋、現場天氣變化、 光照等影響，導致安全帽佩戴狀況的檢測精確度較低。

　�。�2）檢測成本較高：對整個施工現場部署攝像頭，規模較大且經濟成本較高。 而且，施工場地工作繁忙且復雜，若專門安排人員進行監控，極大地消耗了人力、物 力、財力。而且檢測工人不在工作崗位時，容易出現漏檢的情況，一旦出現疏漏，將 會造成不可估量的后果。

　　1.1.2 研究意義

　　安全帽作為施工人員最基本的安全防護用品，主要作用是保護施工現場人員的頭 部安全，防止被尖銳物體打擊、碰撞，對施工人員的個人人身安全及財產安全有著很重要的意義[3-4].在施工現場，由于施工人員不重視、缺乏安全意識、掌握安全知識 欠缺等造成的一系列違規違紀操作，安全事故發生的現象時有發生。由于施工作業場 地環境較為復雜、范圍較廣、施工作業人員數量較多、負責監督管理的人員有限等原 因，要對施工現場工人安全帽佩戴狀態進行全方位、全過程的檢測是很難實現的。 為了保證施工作業人員的人身財產安全，有必要采用人工智能的技術方法，減少 施工現場因為沒有佩戴安全帽而導致的安全事故發生。本課題基于計算機視覺，從理 論上，對主流的目標檢測算法進行詳細闡述，并做了相關的改進，結合圖像處理技術 提出了安全帽佩戴狀態的檢測方法。實現了復雜作業場景下施工作業人員是否佩戴安 全帽的精確檢測，降低了施工人員由于未佩戴安全帽而引發的安全事故發生率，對施 工現場的安全規范管理具有一定的指導意義和實際應用價值。

　　1.2 國內外研究現狀

　　安全帽佩戴狀態檢測實際為二分類對象檢測問題，為了提高安全帽佩戴狀況檢測 的精確度和實時性，國內外學者開展了很多具有創新性的研究工作。在模式識別領域 中，安全帽佩戴狀態檢測方法主要分為傳統的目標檢測算法和基于深度學習的檢測算 法，為施工現場安全帽佩戴狀態檢測研究提供了較有價值的借鑒。

　　1.2.1 基于傳統模式識別的安全帽佩戴狀態檢測

　　基于傳統目標檢測算法的安全帽佩戴狀態檢測，首先，采用滑動窗口對圖像上每 個像素點進行遍歷；其次，對檢測目標的某種特性進行統計描述；最后，通過分類的 方法或者對提取到的特征進行建模，判定檢測目標是否佩戴安全帽。

　　Rubaiyat 等人提出了一種基于特征提取的安全帽佩戴檢測算法[5].首先，結合方 向梯度直方圖 HOG 和圖像的頻域信息，對施工人員進行檢測；其次，結合顏色和圓 環霍夫變換（Circle Hough Transform,CHT）特征，對安全帽進行檢測。該方法在安 全帽佩戴檢測任務中，能夠實現安全帽的檢測，但是檢測精確度較低且只能檢測特定 顏色的安全帽，泛化能力較差。李瀟等人提出了一種基于支持向量機（Support Vector Machine,SVM）分類器與特征提取的安全帽檢測模型[6].首先，采用幀間差分法對 視頻圖像進行分割；其次，提取圖像的 HOG 特征，并通過 SVM 分類器判斷圖像中 是否存在行人；最后，對圖像中的行人提取 Haar-like 特征，并采用 AdaBoost 分類器 判斷行人是否佩戴安全帽。該方法提取圖像的雙重特征，很大程度上提高了檢測精確 度，但是特征提取的過程較復雜、泛化能力差，不能滿足實時檢測。馮國臣等人提出了一種基于混合高斯模型的安全帽自動檢測模型[7].首先，采用混合高斯模型在圖像 預處理階段進行前景檢測；其次，對連通域進行處理分析，判斷該連通域是否屬于人 體，實現檢測目標的自動跟蹤；最后，在定位到的人頭區域進行安全帽佩戴狀態的自 動檢測識別。該方法檢測精確度高，受環境變化影響較小，但是在圖像處理階段耗時 較長，在實際應用中很難滿足實時檢測。劉曉慧等人提出了一種基于 SVM 分類器的 安全帽檢測算法[8].

　　首先，對圖像進行預處理，建立安全帽數據集；其次，采用膚色 檢測的方法對人臉區域進行定位，獲得安全帽所在位置的粗略定位，并手動剪裁安全 帽所在區域圖像；接著，提取安全帽的 Hu 矩特征向量；最后，結合 Hu 矩特征向量 和 SVM 分類模型給出最終分類結果。該方法相對于神經網絡縮短了時間、識別率也 有一定的提升、具有較好的泛化能力。但是，該方法應用場景單一，僅用于工地進出 口等固定場景，而且受視角影響較大。周艷青等人提出了一種基于局部二值模式 （Local Binary Pattern, LBP）特征的安全帽檢測算法[9].首先，對視頻圖像進行預處 理，得到大小為22 ? 22的人頭區域圖像；其次，提取該部分的局部二進制統計特征； 最后，利用反向傳播網絡（Back Propagation, BP）神經網絡對檢測目標進行分類預測， 得到最終的檢測結果。該方法簡單易行，但是由于圖像分辨率低、實際應用環境復雜， 所以檢測精確度還有待提高。

　　王雨生等人提出了一種基于姿態估計的安全帽佩戴狀態 檢測算法[10].首先，在 OpenRose 模型上引入了殘差網絡對檢測目標進行姿態估計； 其次，通過三點定位法確定頭部的位置，縮小目標檢測范圍；最后，使用 RetinaNet 網絡對頭部區域進行檢測判斷安全帽的佩戴情況。該方法很好地解決安全帽與施工背 景之間類別不平衡的問題。由于檢測的頭部區域是確定的，訓練時檢測效果較好，但 是在實際應用中泛化能力較弱，對較小尺寸的目標檢測效果不理想。Park 等人提出了 一種基于背景差分法的安全帽檢測算法[11].

　　首先，利用背景差分法提取前景，基于圖 像的 HOG 域提取目標邊緣特征；其次，通過支持向量機實現人體和安全帽的檢測； 最后，根據人體和安全帽的空間幾何關系確定工作人員是否佩戴安全帽。但是，當檢 測目標被部分遮擋，或者處于非站立、靜止不動的時候，該方法存在一定的局限性。 綜上所述，現存的基于傳統模式識別的安全帽佩戴狀態檢測，在實際應用中存在 檢測效果差、檢測速度相對較慢、模型泛化能力差等問題。在實際應用中不能滿足實 時監測的要求。

　　1.2.2 基于深度學習的安全帽佩戴狀態檢測

　　基于深度學習的目標檢測算法是現存的主流方法，通過多次的卷積、池化處理， 將得到的特征矩陣輸入分類器進行檢測判定[12-17].

　　首先，通過卷積層實現目標的特征 提��；其次，將提取到的特征輸入分類器中，得到最終的分類結果。 徐先峰等人提出了一種基于 MobileNet-SSD 的安全帽佩戴情況檢測方法[18].首 先，該網絡引入 MobileNet 網絡替換單點多框檢測（Single Shot Multi-box Detector, SSD）網絡中的 backbone,構建更加輕量化的網絡，提高模型的檢測速度；其次，引 入遷移學習策略解決模型訓練困難的問題。在安全帽檢測任務中，MobileNet-SSD 相 比較于 SSD,在 CPU 平臺下的檢測速度得到了很大的提升，但是檢測精確度有一定 的損失。陳柳等人提出一種基于視覺感受野的輕量化卷積神經網絡對安全帽佩戴情況 進行檢測研究[19].首先，該網絡在 RFNet 網絡的基礎上添加了特征金字塔網絡模塊； 其次，在保證特征提取能力不變的情況下，采用 SE-Ghost 模塊對主干網絡進行輕量 化處理；最后，在復雜的施工環境下對不同形態不同尺度大小的安全帽進行識別檢測。

　　與卷積神經網絡相比，該方法在確保檢測精確度的同時，采用了輕量化的模塊，極大 地縮小了網絡儲存空間，提高了檢測速度。龐殊楊等人提出了一種基于多任務級聯卷 積神經網絡（Multitask Cascaded Convolutional Neural Networks, MTCNN）網絡的安全 帽識別方法[20].首先，對 MTCNN 網絡進行簡化；其次，采用普通卷積層構建全卷積 網絡，提高模型檢測精確度；再次，引入輕量化網絡結構 MobileNet 對網絡進行優化 處理，減小網絡儲存參數，加快運行速度；最后，調整網絡參數對不同尺寸的安全帽 進行識別檢測。林俊等人提出了一種基于 YOLO（You Only Look Once, YOLO）的安 全帽佩戴檢測算法[21].

　　首先，將 YOLO 應用到未佩戴安全帽的單類檢測問題中，對 YOLO 網絡進行修改，將輸出改為 18 維的張量；其次，根據損失函數和 IOU 曲線對 模型進行調整，得到最終的安全帽檢測模型。但是，該算法在目標重疊、密集目標場 景下依然會出現漏檢情況。方明等人提出了一種基于 YOLOv2 的快速安全帽檢測算 法[22].首先，在 YOLOv2 中加入密集塊，提高了對小目標檢測的敏感度；其次，采 用輕量化網絡結構對網絡進行壓縮，減小了參數量，增加了模型的可用性。改進后的 YOLOv2 模型在保證一定的檢測準確率的同時，很大程度上提升了檢測速度，但是， 當檢測目標和背景顏色相差不大時，改進后的 YOLOv2 模型對顏色的適應性較低， 會存在漏檢現象。徐守坤等人提出了一種基于語義規則和語義模塊的 YOLOv3 檢測算法對安全帽佩戴情況進行檢測研究[23].首先，對采集的數據進行預處理，得到安全 帽佩戴檢測數據集和圖像字幕數據集；其次，使用 K-means 算法確定數據集的錨框參 數值，并使用 YOLOv3 網絡進行訓練檢測；再次，定義語義規則并結合目標檢測結 果，提取出視覺概念；最后，對圖像字幕進行填充得到對應的語句模板，并生成安全 帽佩戴的圖像描述語句。施輝等人提出了一種基于 YOLOv3 算法的安全帽佩戴情況 檢測方法[24].首先，通過圖像金字塔結構獲得不同尺度的特征圖；其次，對目標檢測 框進行聚類處理，并確定目標檢測框參數；最后，將改進的 YOLOv3 模型應用到實 際場景中，并在訓練過程中不斷調整輸入圖像的尺寸，增加模型的泛化能力。

　　結果顯 示改進后的 YOLOv3 算法在檢測準確率與檢測速率上相較于 YOLOv3 均略有提高， 在保證較高精確度的同時滿足了安全帽佩戴檢測的實時性。徐守坤等人針對安全帽檢 測任務中存在的部分遮擋、檢測目標尺寸不一以及小目標檢測困難等問題，提出了一 種改進的 Faster RCNN 和多部件結合的安全帽佩戴檢測算法[25].首先，以 Faster RCNN 網絡作為基礎，使用多尺度訓練、增加錨點數量對 Faster RCNN 網絡模型進行優化， 增強網絡對不同尺寸目標檢測的魯棒性；其次，引入在線困難樣本挖掘策略，解決正 負樣本不均衡問題。該方法解決了目標尺寸差異大、遮擋等問題，克服了訓練時負樣 本空間過大的缺點，進一步提高了檢測的準確率。但是，因為人員的姿態不一，Faster RCNN 網絡只能粗略的選取安全帽的相對位置。王兵等人提出了一種基于改進 YOLOv3 的算法對安全帽佩戴狀態進行檢測研究[26].

　　首先，針對 YOLOv3 目標檢測 算法存在的目標函數與評價指標不統一的問題，將改進的 GIOU 算法與 YOLOv3 算 法目標函數相結合，進一步減少預測框中負樣本對模型訓練的影響；其次，將改進后 的 YOLOv3 算法應用到安全帽佩戴檢測任務中。改模型實現了目標函數局部最優， 具有很好的魯棒性和泛化能力。王成龍等人提出了基于面部特征與卷積神經網絡相結 合的算法[27].首先，以多任務級聯卷積神經網絡（MTCNN）對檢測目標進行臉部特 征提取，然后，將卷積神經網絡與 VGG 深度卷積神經網絡相結合實現安全帽檢測。

　　該檢測模型占用內存小、識別準確性高、算法實用性強。Cheng Rao 等人提出了一種 SAS-YOLOv3-tiny 算法對安全帽進行檢測研究[28].首先，采用三尺度特征進行特征預 測；然后，在特征提取網絡中加入了改進的空間金字塔池（SPP）模塊，提取具有豐 富語義信息的局部和全局特征；最后，引入了完全交過聯（CIoU）損失對損失函數進 行改進。該算法在減少參數和計算量的同時，獲得更多的信息特征，提高檢測性能，速度比重量級模型更快。 綜上所述，基于深度學習的安全帽佩戴狀態檢測，在檢測效果上要優于傳統的機 器學習算法，但是，由于至今尚未有公開的大型安全帽數據集可供探究，而且基于深 度學習的目標檢測方法需要很高的硬件支持，所以基于深度學習的安全帽佩戴檢測研 究在小樣本上的無偏差估計效果欠佳，實時性受到了一定的限制。

　　1.2.3 難點與挑戰

　　安全帽佩戴狀態檢測，通過安裝在監控現場的攝像頭或相機獲得圖像，利用計算 機視覺對圖像進行處理，將佩戴安全帽與不佩戴安全帽的人作為兩類不同的目標進行 檢測。雖然經過多年的研究發展與積淀，安全帽佩戴檢測取得眾多豐碩的成果，但是 在實際場景中的安全帽佩戴檢測仍然存在以下幾個問題亟待研究攻克：

　�。�1）存在檢測速度低，實時性差的問題。 對于施工現場的安全帽佩戴行為檢測研究而言，除了要求檢測精確度之外，是否 能進行實時檢測也是一個巨大的挑戰。由于訓練模型的參數過多，導致運行內存占用 量過高。計算機很難在兼顧檢測精確度的同時滿足實時檢測的要求。因此，如何在確 保檢測精確度的同時進行實時監測也是待解決的問題之一。

　�。�2）存在漏檢、誤檢現象，精確度不高的問題。 在實際場景中，由于安全帽區域占佩戴安全帽工人區域比例相對較小，網絡可能 會將未佩戴安全帽的人員誤檢為目標；在人多復雜的環境下，工人之間相互遮擋、工 人被物體遮擋，導致檢測到的安全帽位置不是很明顯，可能會存在漏檢和誤檢現象。 因此，如何精確有效地對視頻中的施工人員是否佩戴安全帽進行檢測研究，也是現存 的安全帽佩戴狀態檢測的主要問題。

　　1.3 研究內容

　　本文利用傳統目標檢測技術和深度學習技術對安全帽佩戴狀態進行檢測研究，首 先，將隨機蕨算法（Boosted Random Ferns Algorithm, BRFs）應用到安全帽佩戴狀態 檢測研究上。實驗分析發現隨機蕨算法在安全帽佩戴狀態檢測任務中，當檢測環境較 為復雜時，存在精確度不高、對小尺寸目標檢測不敏感等問題。針對復雜環境下精確 度不高這一問題，采用增強策略對隨機蕨算法進行改進，改進后的算法在保證檢測速 度的同時提高了檢測的精確度。針對小尺寸目標檢測不敏感的問題，提出了改進的SSD 算法實現了多尺度的檢測，在一定程度上提高了小尺寸目標的檢測精確度。本文 的主要研究內容及創新點主要包括：

　�。�1）基于改進增強隨機蕨算法的安全帽佩戴狀態檢測研究 本章提出了一種改進增強隨機蕨算法（Improved Boosted Random Ferns Algorithm, BRFs），將隨機蕨算法與改進的 Real AdaBoost 策略相結合，構建一個檢測精度較高 的分類器，并將其應用到安全帽佩戴檢測任務中。首先，基于圖像 HOG 域，對圖像 進行特征提取形成圖像特征域；其次，在圖像特征域上通過隨機二值檢測方法提取圖 像邊緣，并構建隨機蕨；接著，在隨機蕨上選擇目標與背景之間存在顯著差異的位置 點和參數，構建具有一定識別能力的弱分類器；最后，采用增強策略選擇判別性較強 的弱分類器構建強分類器，實現安全帽佩戴狀態的檢測�；�于改進增強隨機蕨算法， 在安全帽佩戴狀態檢測研究中，能夠從較少的訓練樣本上有效地學習目標特征，準確 地檢測出目標物體，在復雜環境下展現了很好的魯棒性和泛化能力。

　�。�2）基于改進 SSD 算法的安全帽佩戴狀態檢測研究 本章提出了一種 ResNet50-SSD 算法，以 SSD 網絡作為基礎模型，對 SSD 網絡 基礎模型進行修改，并引進了批量歸一化層，構建了對小目標檢測精度較高的分類器， 并將其應用到安全帽檢測任務中。首先，將基礎網絡 VGG-16 替換為殘差網絡 ResNet-50,解決 SSD-VGG16 在模型訓練中出現的梯度消失及退化等問題；其次，在 ResNet-50 之后添加一系列的附加層，并在附加層中引入 BN 層，解決多尺度預測的 問題；最后，通過非極大值抑制算法，濾除掉小概率的目標得到最終的檢測結果。實 驗表明，基于 ResNet50-SSD 的安全帽佩戴情況檢測算法，在一定程度上提高了小尺 寸目標的檢測精確度。

　　1.4 論文組織結構

　　本文主要對基于計算機視覺的安全帽佩戴狀態檢測任務進行研究，主要研究內容 分為五個章節。

　�。�1）緒論：首先，概述本文的研究背景與意義；其次，闡述國內外安全帽佩戴 狀態檢測研究的最新研究現狀，并分析安全帽佩戴狀態檢測研究存在的問題；最后， 介紹本文的主要研究內容，并對本文的組織結構進行簡要概括。
　�。�2）相關理論基礎：對隨機蕨算法和 SSD 網絡的相關理論進行簡要敘述。

　�。�3）基于增強隨機蕨的安全帽佩戴狀態檢測研究：首先，通過方向梯度直方圖 對圖像進行特征提取，形成圖像的特征域空間；其次，在特征域空間上采用隨機二元 測試方法構建隨機蕨，并通過隨機蕨構建弱分類器；再次，結合加權系數法利用 Real AdaBoost 算法選擇最具判別性的弱分類器構建強分類器；最后，在安全帽數據集中對 IBRFs 進行訓練和測試。

　�。�4）基于 ResNet50-SSD 算法的安全帽佩戴檢測研究：首先，將 SSD 網絡的基 礎網絡 VGG-16 替換為 ResNet-50,并在附加層中引入 BN 層；其次，分別在不同的 特征層上對不同尺寸的目標進行預測；最后，利用非極大值抑制算法求出檢測結果， 并對其進行分析比較。
　�。�5）總結與展望：對本文的主要研究內容并對結果進行總結，并對下一步研究 工作進行規劃。 本文各個章節間的組織關系如圖 1-1 所示。

　　2 相關理論基礎

　　2.1 隨機蕨算法

　　2.1.1 貝葉斯分類

　　2.1.2 樸素貝葉斯分類

　　2.1.3 半樸素貝葉斯分類

　　2.1.4 隨機蕨分類器構建

　　2.2 卷積神經網絡

　　2.2.1 卷積層

　　2.2.2 池化層

　　2.2.3 全連接層

　　2.3 SSD 網絡結構

　　2.3.1 特征提取

　　2.3.2 Prior box 選取

　　2.3.3 預選框的處理

　　3 基于改進增強隨機蕨的安全帽佩戴檢測研究

　　3.1 增強隨機蕨算法

　　3.1.1 基于 HOG 域的隨機蕨分類器

　　3.1.2 增強隨機蕨

　　3.2 改進增強隨機蕨算法

　　3.2.1 AdaBoost 算法

　　3.2.2 Real AdaBoost 算法

　　3.2.3 改進的增強隨機蕨算法

　　3.3 實驗結果及分析

　　3.3.1 實驗設置

　　3.3.2 不同集成算法對比分析

　　3.3.3 相同場景下改進前后的檢測效果

　　3.3.4 安全帽佩戴狀態檢測模型分析

　　3.4 本章小結

　　4 基于 ResNet50-SSD 的安全帽佩戴狀態檢測研究

　　4.1 基礎網絡

　　4.1.1 ResNet-50

　　4.1.2 批量歸一化

　　4.2 ResNet50-SSD 模型

　　4.2.1 網絡結構

　　4.2.2 損失函數

　　4.3 實驗結果及分析

　　4.3.1 實驗環境配置

　　4.3.2 loss 曲線及迭代次數實驗結果分析

　　4.3.3 小尺寸目標的檢測性能分析

　　4.3.4 檢測準確度分析

　　4.4 本章小結

　　5 總結與展望

　　本工作編程語言環境為 Matlab 和 Python,針對安全帽佩戴狀態檢測精確度 較低和實時性較差的問題，分別提出了 IBRFs 算法和 ResNet50-SSD 模型，并采 用國際公開的安全帽數據集和互聯網爬蟲數據集驗證算法和模型的有效性�，F將 本研究的工作進行總結與展望。

　　5.1 總結

　　本文主要對基于計算機視覺的安全帽佩戴情況檢測算法展開研究，提出了 IBRFs 算法和 ResNet50-SSD 模型對施工工人佩戴安全帽的情況進行預測，實現 了快速準確的檢測，為工地安全監督及執法提供了技術保障，對施工現場的安全 管理具有重要的意義。本文主要工作總結及創新如下：

　�。�1）數據集構建。本文基于計算機視覺對安全帽佩戴狀態進行檢測研究， 但是當前并沒有公開可用的大型安全帽檢測數據集，這無疑很大程度上增加了研 究的難度。針對這個問題，本文通過網絡爬蟲技術，并采用了 LabelImg 對數據 進行標記處理，構建安全帽檢測數據集。本文構建的安全帽檢測數據集為后續的 實驗提供了數據支撐。

　�。�2）基于增強隨機蕨的安全帽佩戴狀態檢測研究。提出了一種改進增強隨 機蕨的算法（IBRFs），該方法將增強隨機蕨算法（BRFs）和一種改進的增強策 略相結合，構建一個檢測精度較高的分類器。首先，借鑒增強隨機蕨算法（BRFs） 的思想，基于圖像 HOG 域，對圖像進行特征提取，形成圖像特征域；然后，在 圖像特征域上構建通過二值比較方法構建隨機蕨，并選擇隨機蕨中判別性最強的 位置點和參數構建弱分類器；最后，采用增強策略，選擇最具判別性的弱分類器， 構建最優的安全帽佩戴檢測分類器。實驗證明，在進行安全帽佩戴任務檢測時， 本文提出的改進增強隨機蕨的算法（IBRFs）具有較高的檢測精度。

　�。�3）基于深度學習的安全帽佩戴狀態檢測研究。提出了一種 ResNet50-SSD 模型，該模型以 SSD 網絡作為基礎，首先，使用 ResNet-50 網絡進行特征提取， 并對 ResNet-50 中 conv4_s 的第一個殘差網絡結構進行修改，使得第一個輸出的 特征矩陣大小不變，其次，在 conv4_s 后續添加的一系列附加層中引入了 BN 層，分別在不同的特征層上對不同尺寸的目標進行預測；最后，通過非極大值抑制算 法，濾除掉小概率的目標得到最終的檢測結果。實驗證明，該模型使用了殘差網 絡進行多尺度訓練后，模型能夠適應不同分辨率的安全帽佩戴狀態檢測任務。

　　5.2 展望

　　基礎設施的建設加快了城鎮化建設的腳步，施工場所的安全問題也成為了人 們擔心的重點問題。本研究主要針對安全帽佩戴狀態進行相關的檢測研究，從傳 統的機器學習方法和深度學習方法兩方面，對安全帽佩戴狀態檢測模型進行改 進，但是研究中仍然存在一些不足，主要體現在以下兩個方面：

　�。�1）檢測精確度低問題。針對安全帽佩戴狀態檢測精確度較低的問題，本 文并未考慮到當拍攝角度不同、光照變化、天氣變化、物體遮擋等問題對檢測精 度的影響，因此下一步研究的重點將考慮如何解決該問題。

　�。�2）檢測速度低問題。針對安全帽佩戴狀態檢測速度較低的問題。本文并 未考慮到如何從減小模型參數、縮小網絡結構、對圖像進行預處理等方面減小運 行內存。下一步將研究如何減小模型的運行內存，提高模型檢測速度問題。 針對上述問題，對未來的工作展望如下：

　�。�1）多特征融合�？紤]從多個角度提取多重特征，將不同的特征進行融合， 提高檢測模型對檢測目標的靈敏度，將傳統的特征提取方法與深度學習方法相互 融合，進一步提高模型檢測精確度和檢測速度。

　�。�2）普適性�？紤]如何將 IBRFs 算法和 ResNet50-SSD 模型運用到安全帽 佩戴檢測的具體應用中，嘗試分析本文的改進之處是否具有普適性，能否延伸到 通用的目標檢測領域中。

　　致 謝

　　行文至此，落筆為終，民大七載青春，始于 14 年盛夏，至于 21 年盛夏。目 之所向，皆為過往。我曾有過困惑、迷茫、無助，但也曾被信任、被依賴、被認 可，七載青春承載了我再多的悲歡喜樂，留下的都是沉甸甸的青春和收獲，縱使 萬般不舍也要心懷感激。 桃李不言，下自成蹊。感謝我的導師張乾老師，您從未嫌棄我才學疏淺，從 論文的選題到定稿，每一個階段都傾注了大量的心血和精力。學貴得師，亦貴得 友，于我而言是指路人、但更像是朋友，您的鼓勵給我帶來了莫大的勇氣，在我 迷茫和不安的時候給了我一個堅定的方向，能成為"張總"的學生是讓我最引以 為傲、最安心的事情。承蒙教誨，學生心懷感激，愿您桃李滿天下，事事順遂。 父母之愛子，則為之計深遠。感謝爸爸媽媽賜我生命，節衣縮食，育我成長。

　　分享我的喜怒哀樂，聆聽我的想法，給予我最大的支持與肯定。感謝姐姐和弟弟 們的陪伴，見證著彼此的成長，每次當我情緒崩潰的時候，你們是我最堅實的后 盾，讓我心安、給我溫暖，所有的委屈、不開心到你們這里就消失了。無以回報， 只想更加努力，成為你們的驕傲。

　　所遇皆良人，感謝我的師母金升菊，像姐姐一樣分享著她的生活，教會我們 為人處世之道，雖然我們真正熟悉的時間不長，但是金老師總會給人一種安心踏 實的感覺。也要感謝我的小伙伴邵定琴，七年如一日照顧我，一起探討解決問題， 相互幫助，分享著彼此生活的點點滴滴，見證彼此的成長。還要感謝實驗室小伙 伴對我畢業論文的幫助，給我的生活帶來了歡聲笑語。

　　平生感知己，方寸豈悠悠。感謝我的小姊妹吳倩、肖琳、白宇、梁明秀，在 我低落的時候給我鼓勵，包容我的小脾氣，不遺余力地幫助和支持我，感謝你們 出現在我的生命中，并給我帶來了溫暖。愿有前程可奔赴，亦有歲月可回首。

　　以夢為馬，不負韶華，感謝不曾言棄的自己，縱然過程坎坎坷坷，但依舊熱 愛生活，每一次經歷都是一種成長，都會在不經意間為我們的生活累積資本，愿 你做個說話做事讓人舒服的女孩子。 愿吾師，事事順遂！愿家人，身體健康！愿吾友，前程似錦！愿民大，孕育 英才！

（如您需要查看本篇畢業設計全文，請您聯系客服索�。�