文献综述
随着视频监控技术的高速发展以及模式识别、机器视觉和图像处理等技术的深入研究，智能化视频监控技术成为了一个新兴的研究方向。
智能化视频监控技术利用计算机视觉相关技术自动对监控视频进行处理和分析以提高监控技术智能化水平从而减轻相关从业人员的工作强度，其拥有广泛的应用价值和应用前景。
目前，对于工人安全帽的佩戴检测主要依靠人工监视，这种检查方式不仅耗费人力资源，而且容易受工作人员的主观影响。
如果能够探寻一种基于视频监控的智能化方法实现安全帽佩戴的自动检测，并使之成为一种高效的安全检查手段，不仅能够降低施工现场人力资源成本，而且能够防范安全事故的发生。
众多影响因素造成安全帽的佩戴检测具有一定的难度，如人员之间的部分遮挡、摄像头的拍摄像素、摄像头距目标的距离远近等。
为了实现安全帽佩戴自动检测，并针对以上所述的问题，研究人员进行了大量研究，方明等人提出了一种以 YOLOv2（You Only Look Once, YOLO）目标检测方法为基础并引入密集块，同时利用 MobileNet 对网络进行压缩的安全帽佩戴检测方法。
李潇等人运用帧间差分方法分割视频画面的动态目标，然后利用图像的 HOG（Histogram ofOriented Gradient, HOG）特征训练 SVM（Support Vector Machine, SVM）分类器，并使用该分类器判断动态目标是否是行人，若是行人，则使用 Haar-like 进行特征提取并输送到 Adaboost 分类器判断画面中的行人是否佩戴安全帽针对真实场景下安全帽检测所面临的背景复杂且干扰性强、待检测目标较小、对检测速度要求较高等问题，本文采用基于深度学习的 SSD（Single Shot MultiBoxDetector, SSD）算法进行安全帽佩戴检测。
首先对 SSD 算法进行详细研究。
其次搭建网络结构、构建数据集并训练模型，同时对实验结果进行分析。
