人员监控系统是工厂、企事业单位和学校监控系统的重要组成部分,高效的人员监控系统可以提高整个工厂和企事业单位的运作效率和安全性。人是工厂、学校的关键目标,对人员监控技术进行研究将有利于工厂、学校提升已经部署的视频监控系统的功能,提高人员监控管理效率,具有重要实用价值。传统的人员管理系统,主要是基于标识物的人员管理系统或基于人体特征的被动式人员管理系统,其缺点是需要人员主动配合的情况下才能完成人员的识别和监控工作。这两类人员监控系统功能有限,没有实现检测工作人员的姿态及行为意图的功能。为了解决上述问题,本文设计并开发了基于深度学习的主动式视频人员监控系统。将人员监控与安防监控结合起来,利用安防摄像机获取监控图像,在后台通过智能识别软件,实现基于人体特征的主动式人员监控。本文的主要工作主要包括以下三个方面:一、提出基于深度学习的人脸识别方法,实现人员的主动识别。首先利用MTCNN算法进行人脸的检测,并对检测到的人脸进行裁剪和对齐;然后利用FaceNet网络进行人脸的特征提取,映射到n维特征向量;最后利用k-NN进行人脸的聚类和识别。本文利用Caffe深度学习框架进行算法实现,并根据完成的系统在LFW数据集和自己的数据集进行测试验证和分析,证明设计系统的有效性。二、针对基于深度学习的人体姿态估计方法进行研究,设计了适用于室内环境的2D人体实时姿态检测方法。利用人体姿态估计对人员的人体姿态进行实时监测,判断人员是否在特定的时间坚守自己的工作岗位,是否特定的时间触碰危险的设备。利用DenseNet网络对图像提取特征,然后设计深度卷积网络进行关节点的预测和人体姿态信息的生成。本文使用Caffe深度学习框架实现了上述方法,并对系统进行试验测试,验证系统的有效性。三、以海康摄像机为硬件基础,借助GPU加速技术和多线程技术设计和开发了人员监控系统软件,并利用Qt开发应用软件界面。应用软件包含:人员识别;人体姿态估计;人员识别结果打印显示与记录;记录查询和监控视频的可视化显示的功能。本文在实验室环境下对开发的软件进行测试,验证了软件的有效性。