随着科技的进步和信息化技术的发展,计算机视觉在服装方面的应用也越来越广泛,智慧工地正是计算机视觉技术在工地场景下应用的产物,它在城市基础设施建设中正扮演越来越重要的角色。目前,针对工地场景下的安全性智慧识别仅仅限于对工人安全帽的监测,在工地服装领域还是存在以下问题:（1）在用计算机视觉方法来解决工地服装的分类问题时,服装样本的采集由于其特殊性较难获取,缺乏大量数据进行训练,极易导致模型过拟合。（2）图像采集过程中还会受到拍摄角度、背景复杂、服装拉扯变形、物体遮挡等因素的影响,导致识别不精确的问题。（3）工地安全局限于安全帽的监测,对其服装没有统一要求导致工人对生产安全懈怠极易发生事故。本文针对工地场景下的工人服装的种类特点,开展小样本下的深度学习服装关键点定位检测系统的研究,通过在深度学习中引入迁移学习的思想,既能够保留深度学习强大的特征提取功能,又大大降低了对大规模标注样本的需求。本文在现有工作基础上的主要研究成果如下:（1）针对本文采集到的数据样本在不同环境下的图像背景复杂问题,提出先将图像进行分割,本文选择支持向量机的图像分割方法实现对服装的部分分割。为解决训练过程中的过拟合问题,提出通过数据增广的方式扩充训练样本集数量,用来训练深度学习模型。将分割出的服装图像用深度卷积生成对抗网络进行样本扩充。将扩充后的分割图像输入VGG16网络进行训练,实现服装的分类。实验结果表明,支持向量机相较于传统图像分割方法在背景较为复杂的情况下表现较好。使用深度网络对扩充后的服装分割图像进行特征提取与识别的准确率高于传统机器学习方法。（2）对本文采集数据样本集时收到的工人服装遮挡或者服装变形的问题,提出一种基于深度迁移学习的金字塔关键点定位模型。其中级联金字塔模型是通过级联两个类似金字塔模型的结构,在结合底层语义以及高层特征的高级语义信息,融合不同层的特征来实现更加精准的预测。最后在对工人服装标准型评估,关键点定位后将合格与不合格的服装关键点再次进行关系网络的训练,达到对工人服装的评估功能,并以此应用到系统中。经过系统测试,本系统的服装评估准确率高达94.4%。