目标检测与跟踪一直是计算机视觉领域的热点研究问题,对社会中的各领域发挥着极其重要的作用,在安全生产领域同样如此。佩戴安全帽是保障施工人员安全生产的必要条件,目前传统的基于手工挑选的特征为代表的检测算法在应对复杂环境时显得力不从心。为此,本文基于目标检测与跟踪技术对监控视频中工人是否佩戴安全帽提出一种自动化的识别方法。通过对施工区域内监控视频的实时分析,利用深度学习YOLOv3目标检测算法实现安全帽佩戴检测,然后使用改进的核相关滤波跟踪算法实现对未戴安全帽人员的跟踪,对没有佩戴安全帽的行为进行及时报警。主要研究内容如下:首先,针对传统目标检测算法采用的手工设计的特征鲁棒性差、检测精度低等问题,本文采用改进后的基于深度学习的YOLOv3目标检测算法完成安全帽佩戴检测。在Darknet深度学习框架和Darknet-53网络模型下,本文使用自制的安全帽佩戴数据集进行安全帽佩戴检测网络模型训练。实验结果表明改进后的网络模型对不同尺度、遮挡等情况下的安全帽都有较好的检测效果。其次,对于目标跟踪问题,由于核相关滤波算法无法适用于尺度变化且存在抗遮挡能力不强等问题,本文采用改进后的多特征融合尺度自适应核相关滤波算法,并设计新的更新策略。同时,结合提出的检测算法,引入了一种跟踪矫正的方法,当判断跟踪失败后,检测算法重新提供目标初始位置,在一定程度上增强了其应对复杂场景的鲁棒性。最后,为了验证改进算法的有效性,在OTB-2015数据集中,选取部分复杂场景进行对比实验。实验结果表明,本文改进后的算法成功率较原算法提高24.2%,精确率提高13.7%,同时跟踪速率达到38fps,满足实际场景中实时性的需求。图23幅,表6个,参考文献72篇。