在危险的工作环境中,安全帽对工作人员的头部起到了至关重要的保护作用。传统的人工监测方式需要耗费大量的人力,且监控人员易疲劳,易出现误检现象。以视频自动监控的方式进行安全帽的检测与跟踪,可以减少人力、可以准确地监控热电厂内作业工人的安全帽佩戴情况,降低他们发生意外危险的概率。在对安全帽进行检测时,由于热电厂厂内环境复杂且面积较大,处于远景处的工人所佩戴的安全帽不易检测,带来安全帽漏检的问题。本文针对此问题,提出了多特征融合与支持向量机(SVM)相结合的安全帽检测方法,用以提高热电厂场景下安全帽识别率。针对热电厂工人穿着衣服与安全帽颜色相近、有遮挡情况均值漂移算法(Meanshift)跟踪会失效的问题,提出了卡尔曼滤波器与多特征融合Meanshift算法相结合的方法,对检测出的安全帽进行跟踪。本文的主要内容如下:首先,对安全帽区域进行初定位,VIBE算法在速度上检测运动目标非常占优势,并且背景建模的速度快,因此本文选用视觉背景差分算法(VIBE)来检测移动过程中的工人,然后通过人头与全身的比例关系进行安全帽区域初定位。针对VIBE算法在检测运动目标过程中易出现鬼影问题,本文通过计算前景目标区域与邻域背景区域两像素分布直方图余弦相似度及欧式距离来检测并消除鬼影区域。其次,由于热电厂厂房面积较大,处于视频远景处的工人相对目标较小,头上佩戴的安全帽不易检测。针对这一问题,本文提出了多特征融合与支持向量机(SVM)相结合的安全帽检测方法。首先,提取待测图片的梯度分布直方图(HOG)、光流直方图(HOF)两种特征,由于这两种特征向量维数较高,训练时间较长,影响安全帽检测的时效性,因此,本文采用主成分分析方法(PCA算法)对特征向量进行降维,避免了冗余信息的干扰。然后将降维后的两个特征向量与重心级联,并采用SVM分类器对其进行训练,用以识别安全帽。最后,对运动中的安全帽进行跟踪研究,针对热电厂工人穿着衣服与安全帽颜色相近、视频图像分辨率较低、有遮挡情况Meanshift算法跟踪会失效的问题,本文采用多特征融合的Meanshift算法与卡尔曼滤波相结合,进行安全帽跟踪方法研究。首先针对工人着装与安全帽颜色干扰、目标特征不明显的问题,在Meanshift原有颜色特征的基础之上,将描述空间颜色信息的空间颜色直方图和描述纹理特征的LBP统计直方图与Meanshift算法相结合,实现了着装颜色与安全帽颜色相近人员的安全帽位置的准确追踪。针对Meanshift算法存在无法准确检测被遮挡的安全帽问题,本文将卡尔曼滤波与Meanshift算法相结合,利用了Kalman滤波器的预测功能,实现遮挡安全帽的准确检测。实验结果表明,采用HOG特征和HOF特征PCA降维后与重心级联再与SVM相结合的多特征融合与支持向量机(SVM)相结合的安全帽检测方法具有更好的检测性能,多组实验的识别率平均值为90.03%。采用卡尔曼滤波与多特征融合的Meanshift结合的安全帽跟踪算法在提高跟踪准确性的同时减少了迭代次数。