随着科学技术和经济的快速发展,城市现代化的步伐也逐渐加快,电力、交通和建筑等施工场所随处可见,而安全标志作为重要的安全辅助设施,对施工人员的安全起到了至关重要的保障作用,因此安全标志的检测识别对降低事故发生率,提高人们的生活安全有着重大意义。现如今检测识别算法可以分为两大类,传统机器学习方法与深度学习方法,传统机器学习从观测(训练)样本出发,试图发现不能通过原理分析获得的规律,实现对未来数据行为或趋势的准确预测,平衡了学习结果的有效性与学习模型的可解释性。深度学习是机器学习研究中的一个新兴领域,实质是一种将特征表示和学习合二为一的方法,放弃了可解释性,单纯追求学习的有效性。两类方法皆有其长处。考虑到标志检测对实时性要求较高,本文基于传统方法和深度学习分别提出两种速度较快的算法,论文具体工作如下:1.针对单一特征无法完整表述目标的问题,提出了基于多尺度金字塔的安全标志检测方法,该方法在ACF算法上做出了改进,首先需要对数据集进行相关图像预处理并将像素值归一化;然后计算特征金字塔中总尺度数、各个尺度下的缩放值;接下来计算每一个真实尺度下十个通道特征,根据已得到的真实通道特征来创建需要插值的金字塔等级特征;同时为了应对数据集中拍摄角度引起是标志形变问题,增加了两种尺度比例的检测窗口,最后根据训练好的模型以及AdaBoost算法进行分类。实验结果证明,该方法可以实时分析监控视频,自动检测重点布放区域的安全标志,可以辅助各种安全生产行为检测并进行安全告警,大幅度提高监测的速度和准确度,已达到实用化的要求。2.针对安全标志检测对速度和准确率要求高的特点,提出了基于SSD网络的显著性区域安全标志检测算法,考虑到浅层特征的重要性,在SSD的网络中加入显著性区域提取模块,首先使用前向传播CNN网络,产生一系列固定大小的边界框集合以及框中目标类别的得分,然后通过非极大值抑制算法得到最终检测结果,在采集的数据集上进行训练测试,实验结果证明该方法对检测率有一定的提高。