佩戴安全帽是防止施工现场作业人员头部损伤的有效方法之一。然而,目前的安全帽检测算法多存在有遮挡目标检测难度大、小目标识别准确率低、复杂场景适应性差等缺点。因此,本文根据施工现场视频流特点,按照颜色将目标分为佩戴红、黄、白、蓝色安全帽人员和未佩戴安全帽人员五类,设计了一种改进Faster R-CNN的安全帽检测及身份识别算法,检测安全帽佩戴状况,并根据颜色确认身份判断其是否符合施工要求。针对监控画面中目标分辨率过低导致Faster R-CNN检测效果差的问题,本文采用特征融合及多尺度检测方法改善网络结构。模型利用加性融合函数将VGG16中强语义的深层特征与高分辨率的浅层特征进行有选择地多次融合,再逐层输入到RPN达到多尺度检测的目的,使得小目标特征能够保留到分类定位阶段,从而提高检测准确率。针对数据集中难易样本、正负样本不均衡使得网络后期损失较高的问题,将在线困难样本挖掘(OHEM)机制引入到特征融合后的Faster R-CNN。OHEM机制能够挖掘损失较大的困难样本,将其集合形成仅有困难样本的训练集批次,进行有针对性的训练,增强模型背景分辨能力的同时降低了漏检率。为进一步提高模型的召回率和泛化性,对非极大值抑制(NMS)算法做出改进,提出了 Crowded-NMS算法。改进算法采用高斯加权罚函数并设置了双阈值,将原来的两段分段函数优化为三段,解决了高密度人群目标漏检及目标框冗余的问题。经过以上三次层序改进,构成了本文的安全帽检测及身份识别模型(helmet-identify Model)。由于没有公开的安全帽数据集,本文自建了含有工厂监控视频图片的“Factory”数据集,用于网络的训练及测试。实验结果表明,Faster R-CNN在“Factory”数据集中的准确率为66.7%,经过改进的helmet-identify Model准确率达到94.2%。将监控视频作为模型输入,算法实现了对监控内人员未佩戴安全帽、越界操作两类违规行为的监测报警。测试结果表明,模型应用于视频检测时,漏检率和误检率均较低,具有较强的鲁棒性。