零、摘要
必要性：施工现场安全监控研究。提出对工人身份信息和安全帽检测的综合方法，检测安全帽的同时可以识别身份。
&esmp; 实现过程：采用方法YOLOv3。数据集来源于公共数据集SHWD和施工现场监控视频截取的3000张图像。（1）对YOLOv3采用预训练提高泛化能力，然后利用现场监控的图像进行性能测试。（2）身份识别采用Light CNN-29轻量卷积神经网络算法。通过提取人脸特征进行身份识别。过程：YOLOv3检测安全帽是否佩戴&&提取头部与安全帽特征–>图片输入light CNN人脸识别–>Haar级联分类器对人脸检测–>检测到的人脸输入Light特征提取–>识别身份信息。
仿真过程：现场截取3000张不同光照环境下的图像，对YOLOv3进行性能测试；公共数据库中对Light网络测试比较。
实验结论：YOLOv3精度高、速度快、召回率高、鲁棒性强。Light CNN-29的身份识别率为87.53%，可有效识别工人身份。
一、绪论
1、背景与研究意义
近几年随着建筑业的发展，安全事故与死亡人数逐年上升。
根据能量隔离理论，佩戴个人防护装备可以有效减少安全事故的死亡率。
计算机视觉能从视频或图像中识别出正在进行不安全行为的工人，但无法确定身份，无法提供直接的反馈。
本文拟采用基于计算机视觉和深度学习的方法构建建筑工人的安全帽检测与身份识别模型。
2、国内外研究现状
（1）安全帽佩戴检测研究现状与不足
（2）身份识别研究现状与不足
（1）基于传统的身份识别方法
非常依赖手工特征的设计。常用的行人身份特征描述方法为：颜色直方图、LBP、梯度和尺度不变特征转换（SIFT）。
颜色是身份识别的特征之一。对于颜色特征，通常使用颜色直方图表示。其思想是统计每个色彩在不同颜色空间的概率，对不同色彩在图像所占比例进行表示。颜色聚合向量和颜色相关图除了对颜色的分布情况统计外，还会考虑不同颜色像素点之间的空间，进行表示。通过对颜色空间关系的表示，颜色特征会有很强的抗干扰能力。
_____等人按照____方法，达到了_____的目的与效果。
（2）基于深度学习的身份识别方法
思想是判别性嵌入空间学习的研究，再运用距离度量函数计算空间内各度量特征点之间的距离关系。可分为基于特征和基于空间度量的方法（按照训练模型时使用的损失函数差异。）
基于表征的身份识别方法是指按照人体结构对图像进行按条状划分并区分区域提取特征，将这些区域与人体的四肢、躯干、头部相对应，提取这些区域的特征及计算各区域的相似性，并把各个部分区域的结构信息使用算法进行提取，结合成复杂的人体特征信息，对人体外观特征进行描述。
基于空间度量的身份识别是指通过计算通过距离度量函数计算待检测目标与 测试集中目标的相似值。分别提取待检测目标的图像与测试集中目标图像特征，按 照度量学习的方法来计算两者之间的距离。一般相同身份的相似度较高，即相同类 的间距离较小；不同身份的相似度较低，即不同类别的间距离较大。传统的度量学习方法主要是通过计算两者之间的欧氏距离等，损失函数应用最多的是三元组损失、改进后的三元组损失和四元组损失。
（3）基于深度学习的目标检测
略
二、深度学习目标检测理论
1、卷积神经网络（CNN）
2、基于深度学习的目标检测算法
3、基于深度学习的身份识别方法
（1）Light CNN
【这个章节划分不太好】
三、安全帽检测与身份识别模型
1、现场环境与视频特点
2、目标检测模型选择
YOLOV3的目标检测速度是优于其它算法，虽然mAP值略低 于其它模型，但是可以满足安全帽检测的需求，同时可以实现对现场实时监测。对 于身份识别算法，考虑到现场施工环境的影响，会对现场监控图像中会产生一定的 噪音的干扰且需要满足实时监测需求，且经过YOLOV3检测的图像检测的是人脸 与安全帽区域，此时的人脸特征相对于其它的身份识别特征会更加容易被提取，因 此本文采用轻量的Light CNN提取建筑工人的面部特征进行身份识别。
3、安全帽佩戴与身份识别系统
系统可分为三部分：软件运行、硬件设施、视频收集。
视频收集：某市的建筑实名制通道入口单目监控摄像头收集现场视频信息。
软件运行和硬件设施：负责建立网络模型与训练。
（1）系统设备介绍
（2）系统工作流程
这一章只有三页半，其中插图两张，叙述也不多，篇幅很少。不太好，同学们不要模仿这种写法，不然大概率无法过审。
四、实验结果与分析
1、实验环境
2、实验数据集建立
这一章的数据集也是使用老标注工具labelImg标注的，没什么可说的，感觉作者处理的也不太好。
3、安全帽检测与身份识别检测研究流程
（1）准确率与召回率
提了一下，准确率（Precision）和召回率（Recall）的概念，但是好像没有仿真。
（2）鲁棒性
（3）识别速度
4、实验结果分析
5、安全帽检测性能试验
6、身份识别性能检测
总结
这篇论文篇幅较短，不像是一篇硕士论文的规格，总体来说，可学习的地方不多。