当前,国内普通高校实验室普遍存在着人员管理粗放、科研效率较低等问题,如何强化实验室人员管理,提升科研效率是一个值得探究的领域。随着目标检测技术的发展成熟和视频监控的广泛普及,通过视频监控系统,并运用目标检测技术使得强化实验室人员管理成为可能。传统的基于图像处理的目标检测技术虽然取得了一定的成效,但其检测准确性很难达到理想状态。受益于计算机硬件性能的提升,基于深度学习的目标检测技术产生了重要突破,在确保检测速度的同时能够达到极高的检测准确率。因此,如何利用深度学习的方法实现图像目标的精准检测正在成为当下的热门研究领域。本文通过对比分析基于传统算法和基于深度学习的目标检测技术,指明了后者检测效果更佳,能够运用在更多的领域。因此,本文将实验室的视频监控和基于深度学习的目标检测技术紧密结合起来,在分析了深度学习基础理论的基础上,着重研究了实验室视频监控中的人头检测模型。研究工作主要有:(1)搭建了实验环境。包括有:搭建实验室视频监控系统;采集实验室内监控画面,构建实验室人体头部数据集;配置深度学习所需的软件环境。(2)实现了实验室内基于不同深度残差网络的Faster R-CNN人头检测模型,验证了残差网络的特征提取能力随着网络深度的增加而提升。接着,利用ResNet152分别实现了基于Faster R-CNN、R-FCN和SSD的实验室人头检测模型,对比分析三者在实验室场景下的检测性能,选择基于ResNet152的R-FCN模型作为实验室人头检测模型。(3)设计并实现了实验室人数统计与管理系统。该系统利用实验室人头检测模型每分钟对实验室人员进行一次检测,并利用IoU过滤算法修正检测结果,最后对人员进行定位,并存储相关数据。该系统每天定时将实验室人员统计信息推送至微信群,用户也可以在校园网范围内远程查看实时视频监控和实验室人员统计信息。