佩戴安全帽是防止施工現(xiàn)場(chǎng)作業(yè)人員頭部損傷的有效方法之一。然而,目前的安全帽檢測(cè)算法多存在有遮擋目標(biāo)檢測(cè)難度大、小目標(biāo)識(shí)別準(zhǔn)確率低、復(fù)雜場(chǎng)景適應(yīng)性差等缺點(diǎn)。因此,本文根據(jù)施工現(xiàn)場(chǎng)視頻流特點(diǎn),按照顏色將目標(biāo)分為佩戴紅、黃、白、藍(lán)色安全帽人員和未佩戴安全帽人員五類(lèi),設(shè)計(jì)了一種改進(jìn)Faster R-CNN的安全帽檢測(cè)及身份識(shí)別算法,檢測(cè)安全帽佩戴狀況,并根據(jù)顏色確認(rèn)身份判斷其是否符合施工要求。針對(duì)監(jiān)控畫(huà)面中目標(biāo)分辨率過(guò)低導(dǎo)致Faster R-CNN檢測(cè)效果差的問(wèn)題,本文采用特征融合及多尺度檢測(cè)方法改善網(wǎng)絡(luò)結(jié)構(gòu)。模型利用加性融合函數(shù)將VGG16中強(qiáng)語(yǔ)義的深層特征與高分辨率的淺層特征進(jìn)行有選擇地多次融合,再逐層輸入到RPN達(dá)到多尺度檢測(cè)的目的,使得小目標(biāo)特征能夠保留到分類(lèi)定位階段,從而提高檢測(cè)準(zhǔn)確率。針對(duì)數(shù)據(jù)集中難易樣本、正負(fù)樣本不均衡使得網(wǎng)絡(luò)后期損失較高的問(wèn)題,將在線(xiàn)困難樣本挖掘(OHEM)機(jī)制引入到特征融合后的Faster R-CNN。OHEM機(jī)制能夠挖掘損失較大的困難樣本,將其集合形成僅有困難樣本的訓(xùn)練集批次,進(jìn)行有針對(duì)性的訓(xùn)練,增強(qiáng)模型背景分辨能力的同時(shí)降低了漏檢率。為進(jìn)一步提高模型的召回...

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

本文編號(hào)：3878116