土木工程施工需要大量施工人员参与,建造过程风险相对较高。在所有的建筑工程事故中,施工人员头部与颈部创伤是最为严重甚至致命的,每年施工安全事故中死于头部创伤的事故居高不下。佩戴安全帽可以有效地降低风险事故中物理撞击的损伤,然而在施工中,由于工人安全防范意识淡薄,时常出现施工人员未按照生产规范佩戴安全帽,形成极大的安全隐患。因此对施工人员是否佩戴安全帽的自动检测具有重要意义。本文提出基于计算机视觉人体姿态估计的安全帽检测方法。主要研究内容包括:首先,提出基于深度学习的施工人员安全帽佩戴检测方法。将目标检测算法应用于检测施工人员是否佩戴安全帽的场景,研究了目标检测算法,收集并制作了施工现场图片数据集,建立并训练了目标检测模型,通过该目标检测系统可以检测出监控视频图像序列中的施工人员与安全帽两类目标对象的位置。其次,提出基于改进YOLOv3模型的施工人员安全帽佩戴检测方法。由于监控视频图像中安全帽类的小物体众多,为了进一步提高安全帽小物体类的识别准确率,对模型结构进行优化调整,在目标维度聚类、多尺度检测、密集连接三个方面优化网络结构。首先,采用维度聚类方法,根据训练集中施工人员与安全帽的大小特征,找到统计规律,聚类得到9种先验框替代原模型中的先验框。随后,针对施工现场远景视野下的安全帽目标较小的特点,增加第四个尺度检测部分,聚类得到12个先验框,并按按大小顺序分配到四个尺度上,得到四尺度检测模型。最后,借鉴DenseNet网络模型,在网络结构中的跨尺度预测部分采用密集连接机制,将特征融合部分的四个尺度层密集连接,并通过上采样处理将不同尺度层的特征图大小保持与预测输出尺度的特征图大小一致。通过实验对比优化后的不同模型的检测效果。最后,提出基于OpenPose算法施工人员姿态估计辅助的安全帽佩戴检测方法。将人体姿态估计应用于自动检测施工人员是否佩戴安全帽的场景中,设计了整合人体姿态估计与目标检测的自动检测系统。首先将目标检测模型输出的人物边框与对应的人体姿态估计模型输出的人体姿态相匹配,随后遍历人物边框,根据空间关系将安全帽与人体配对,并根据安全帽与人体面部中心点的空间位置关系判断安全帽是否被正确佩戴。