随着模式识别和计算机硬件技术的快速发展以及人工智能在各行各业的广泛应用,工业现场的视频监控智能化分析已经成为计算机视觉领域的研究热点之一。安全帽佩戴作为工业现场规范穿戴要求中的重要一项,能够有效地保护作业人员的生命安全。因此基于视频监控下的安全帽智能检测技术实现安全帽佩戴与否检测及未佩戴安全帽人员的人脸识别具有现实意义。基于以上考虑,本文在已有的深度学习理论基础上,研究复杂作业环境下的安全帽佩戴检测,并对未佩戴安全帽的人员进行人脸识别。具体内容如下:针对真实场景下安全帽佩戴检测所面临的背景复杂、干扰性强、待检测目标较小等问题,引入了基于深度学习的SSD算法进行安全帽佩戴检测。该算法对待检测目标是否佩戴安全帽进行识别,若待检测目标已佩戴安全帽,则在图像中将人脸和安全帽作为一个整体进行定位;否则,仅对人脸定位。通过实验表明,基于SSD的检测算法检测精度高,在多种应用场景下均能有效地实现安全帽佩戴检测。但该方法检测速度慢、计算复杂度高、内存消耗大、对硬件性能要求较高。为解决基于SSD的检测算法的不足,本文引入了轻量型Mobile Net以替换SSD中的基础网络VGG,并对Mobile Net进行了理论分析,进一步探究了其能加快检测速度的原因。最终通过实验表明,在相同的实验平台和数据下,Mobile Net-SSD在牺牲了很小的精度下大幅提升了安全帽佩戴检测速度。在安全帽佩戴检测之后,还需对未佩戴安全帽的目标进行人脸识别。本文设计了一种结构简单、对非限定性条件下的人脸识别具有较高鲁棒性的孪生卷积神经网络。同时为了加速模型的收敛,减少训练时间,简化训练过程引入循环学习率策略。实验表明,该算法具有高识别精度,且对复杂环境鲁棒性较好。为了脱离Caffe框架并在实际场景中灵活实现安全帽佩戴检测及人脸识别功能,本文在上述所研究的检测算法和识别算法的基础上,开发了一套安全帽佩戴检测及人脸识别系统,通过测试表明,系统具有较好的时效性,在CPU和GPU下均能实现快速检测和识别。