视频图像识别技术在机器学习、计算机视觉、图像处理、模式识别等相关领域的发展推动下逐渐得以应用于社会各行各业。其中,航运物流领域也将视频监控作为其安全生产的主要管理手段。很多研究都提出将视频图像识别算法植入到视频监控系统以实现集装箱货运站(Container Freight Station,CFS)的智能化监管,但CFS物流作业繁忙,各种作业设备复杂。对于监管来说,在安全隐患相对较多的复杂环境下,如何实现作业现场的危险源识别是一个颇具挑战性的难题。就保障作业员工人身安全这一具体目标而言,佩戴安全帽是最直接最有效的方法,所以监督作业员工佩戴安全帽成为了安全生产中最重要的环节。为了解决码头安全保障中的安全帽检测仍主要依赖人工值守的方式而造成的资源浪费和监控效率低下等问题,本文主要针对CFS这一重要的码头作业场所,对CFS作业人员安全帽检测系统中的识别算法模块进行了较为深入的研究。首先,从视频中提取图像,通过对图像进行灰度化、形态学等预处理之后,对视觉背景提取算法(Visual Background Extractor,ViBe)和高斯混合模型(Gaussian Mixture Model,GMM)两种运动前景检测算法进行了实验以提取视频图像中的运动目标作为图像检测的候选集,实验表明ViBe算法在实际提取过程中受“鬼影”(Ghost)影响较大,所以本研究选择了 GMM算法进行视频图像的运动前景检测,再结合一些图像定位技术对图像进行较为精准的定位及分割,并将提取到的图像分为CFS背景、戴安全帽的操作工和不戴安全帽的操作工3类构建安全帽图像数据库。其次,采用卷积神经网络(Convolutional Neural Networks,CNN)、支持向量机(Support Vector Machine,SVM)以及宽度学习系统(Broad Learning System,BLS)分别在“多阶段”与“端到端”两种识别模式下进行对比实验,实验表明“端到端”模式下的安全帽图像识别算法总体上表现得更加稳定,识别准确率更高,模型训练时间更短,而利用BLS在“端到端”模式下可以在安全帽检测任务上获得最高准确率的同时,消耗最短的模型训练时间,为后续将其应用于CFS视频监控系统奠定了基础。最后,本文在CFS环境下检测码头操作工是否佩戴安全帽的任务上,选择“端到端”检测模式下的BLS作为安全帽检测的图像识别分类器,准确且快速地将视频中的未按规定佩戴安全帽的CFS的作业人员的图像进行了标记并发出预警,在有限的硬件条件下实现安全帽图像的智能识别且效果良好。