佩戴安全帽是防止施工現(xiàn)場作業(yè)人員頭部損傷的有效方法之一。然而,目前的安全帽檢測算法多存在有遮擋目標檢測難度大、小目標識別準確率低、復雜場景適應性差等缺點。因此,本文根據(jù)施工現(xiàn)場視頻流特點,按照顏色將目標分為佩戴紅、黃、白、藍色安全帽人員和未佩戴安全帽人員五類,設計了一種改進Faster R-CNN的安全帽檢測及身份識別算法,檢測安全帽佩戴狀況,并根據(jù)顏色確認身份判斷其是否符合施工要求。針對監(jiān)控畫面中目標分辨率過低導致Faster R-CNN檢測效果差的問題,本文采用特征融合及多尺度檢測方法改善網(wǎng)絡結(jié)構(gòu)。模型利用加性融合函數(shù)將VGG16中強語義的深層特征與高分辨率的淺層特征進行有選擇地多次融合,再逐層輸入到RPN達到多尺度檢測的目的,使得小目標特征能夠保留到分類定位階段,從而提高檢測準確率。針對數(shù)據(jù)集中難易樣本、正負樣本不均衡使得網(wǎng)絡后期損失較高的問題,將在線困難樣本挖掘(OHEM)機制引入到特征融合后的Faster R-CNN。OHEM機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練集批次,進行有針對性的訓練,增強模型背景分辨能力的同時降低了漏檢率。為進一步提高模型的召回...

【文章頁數(shù)】：78 頁

【學位級別】：碩士

本文編號：3878116