摘 要

深度学习在目标检测(object detection)和人脸识别(face recognition)等方向有快速的发展。从流水线(pipeline)的目标检测到端到端(end-to-end)的检测，目标检测的实时性以及检测的准确度都有所提升。目标检测在特殊场景中的应用也较为广泛，如安全帽的检测。人脸识别技术也在各个场景有所应用，如考勤打卡、门禁使用等。但在将安全帽检测技术同人脸识别相结合来实现相应的需求的相应研究并不是很多。

按智慧工地的需求，开发基于深度学习的监管，通过目标检测和识别的自动检测技术，可以实现对施工人员的安全帽佩戴情况实现快速检测和识别并确定人员的信息。然后对相应的人员进行警告。相应的技术能实现对工地人员的防护并进行实时的监控，节省大量人力和物力。

论文的主要研究内容如下：从视频流中抽取3000张工地的图片，并使用LabelImg完成标注工作。采用YOLO v3作为基础，在此基础上使用标注的3000张图片和下载的公开数据集进行迁移学习，从而实现对安全帽的识别任务。并在训练中使用了数据增强的方法，来扩充数据集提高泛化能力。然后，使用预训练好的faceNet模型，通过计算输出的embedding与保存的人员的embedding的欧几里得距离的方式实现人脸的识别任务。最后将YOLO中的darknet的预测框和faceNet中的MTCNN的人脸预测框做交并比，实现对不确定是否戴安全帽人员的检测，完善结果的输出。

关键词：安全帽检测；目标检测；人脸识别；深度学习

Abstract

Recently, deep learning has impressive development in some areas like object detection and face recognition. From pipeline to end-to-end detection, the object detection task has been more accurate and real-time detection becomes possible. And it is generally used in some special scenes like safety helmet detection. Face recognition is also applied for various usages, such as attendance, access control system and so on. However, there are not enough researches to implement some demands by combining safety helmet detection and face recognition.

According to the requirement of the smart construction site, we develop a system based on deep learning to complete safety supervision of workers. We can automatically detect whether the workers wear the helmet and identify their information. The system could supervise the relevant workers in real-time. Therefore, manpower and corresponding resource will be saved by this system.

The main works of this thesis are as follows: We extracted about 3000 images from construction site video streams. And we annotated the images using a application called labelImg. Pre-trained YOLO version 3 model is the baseline of our work, then we implemented transfer learning on the 3000 images and public dataset to complete the detection task. During the training process, we used data augmentation to access more data to improve the performance of the neural network. Then I chose faceNet model to achieve face recognition. By computing the Euclidean distance between the current embedding and saved embedding of workers, we can recognize the identity with a threshold. Finally, we refine the output of the whole network to detect worker who is uncertain whether wear helmet or not by intersection over union (IOU) of bounding boxes from MTCNN and darknet.

Key words: Safety helmet detection; Object detection; Face Recognition; Deep Learning.

目 录

第1章　绪 论 1

1.1 课题研究背景与意义 1

1.2 国内外研究现状 1

1.3 现有技术不足 2

1.4本文组织结构 2

第2章　关键技术介绍 3

2.1 数据集简介 3

2.1.1数据的特点 3

2.1.2 数据集的组成 3

2.2 YOLO V3网络模型介绍 3

2.3 FaceNet网络模型介绍 4

第3章 安全帽检测与人脸识别 6

3.1 系统框架 6

3.1.1 Darknet网络框架 6

3.1.2 FaceNet网络框架 6

3.1.3 框架搭建工具 8

3.2 训练过程 8

3.2.1预训练阶段 9

3.2.2迁移学习阶段 9

3.3 推理过程 10

3.3.1 YOLO的推理 11

3.3.2 FaceNet基于Embedding的人脸识别 11

3.3.3 FaceNet与YOLO的预测结果结合 12

第4章 图形化开发设计 13

4.1 图片检测识别 13

4.2摄像头检测识别 13

4.3视频检测识别 14

4.4 总体工作流程 15

第5章　总结与展望 16

5.1 全文总结 16

5.2 展望 16

参考文献 18

致 谢 19

第1章　绪 论

课题研究背景与意义

2012年的图片分类的比赛中，Alex等人用神经网络实现了图片的分类，并相比以前的分类效果有了巨大的飞升^[1]。然后神经网络就受到了人们的重视，并在许多的领域取到了一些超人的效果，如目标检测、自然语言处理等。

安全帽在施工安全中有很重要的防护作用，能一定程度的保护施工人员的人身财产安全。而对施工人员的防护措施佩戴的监管耗费大量的人力和物力，并很难实现长时的对人员的监管。通过沿用卷积神经网络的方法，便捷地实现对安全帽的检测和对工地的人员的管理。

按智慧工地的需求，开发基于深度学习的监管，通过目标检测和识别的自动检测技术，可以实现对施工人员的安全帽佩戴情况实现快速检测和识别并确定人员的信息。然后对相应的人员进行警告。相应的技术能实现对工地的防护进行实时的监控，并节省大量人力和物力。

1.2 国内外研究现状

近十年来，深度学习在目标检测 (object detection) 和人脸识别 (face recognition) 等方向有快速的发展。从流水线 (pipeline) 的目标检测到端到端 (end-to-end) 的检测，目标检测的实时性以及检测的准确度都有所提升。目标检测在特殊场景中的应用也较为广泛，如安全帽的检测。人脸识别技术也在各个场景有所应用，如考勤打卡、门禁使用等。但在将安全帽检测技术同人脸识别相结合来实现相应的需求的相应研究并不是很多。