电力系统的建设是重要的生产生活项目,需要在作业过程中时刻监督施工现场人员是否遵守安全生产规定,以保证施工秩序正常有序。为了实现施工现场的智能化监管,人们常采用目标检测和目标识别领域的图像处理算法完成对施工现场人员的定位和识别以实现监督功能,但常见算法在这种特定应用场景中,会因设备条件制约、环境干扰因素多而难以有效运行,应用广泛的深度学习算法也会因应用背景的特殊性而难以适用,限制了算法的效果。本文根据应用场景特点,对施工现场人员的检测识别方法进行了研究和实现,算法主要结合了视觉注意机制、图像颜色特征、轻量化神经网络和特征相似度匹配相关内容,能够在计算资源有限且对图像清晰度要求较低的情况下满足应用需求,具有一定实用价值。本文主要介绍了适用于施工现场这类特殊场景下的人员目标检测和人员类型识别算法,具体的研究工作和成果如下:(1)通过研究人类视觉注意机制和自底向上视觉注意模型,提出基于显著颜色特征进行区域定位并结合轻量化神经网络的人体目标检测算法,该算法利用工人上衣图像颜色信息指导人体显著区域定位,并采用基于MobileNet-SSD网络的人体检测模型对施工现场全场景图像和显著颜色区域图像分别进行人体目标检测。(2)算法应用场地众多且输入图像分辨率较低,精确的人脸识别无法实施,而现场工人信息只在当天站班阶段才能确定,工人衣着特征会随场地和工作日变更发生改变,导致无法运用深度学习方法训练适用于所有场地且长期有效的识别模型,但工人着装在场地内颜色特征显著、安全帽特征明显,在每个工作日的识别过程中衣着特征固定。本文结合该特点提出一种人员类型识别方法,通过提取人员安全帽和着装颜色信息构成特征向量,并与当天站班阶段获得的人员数据库特征信息进行匹配,确定人员类别属性。建立了安全违规行为判断机制,综合人员目标检测与识别方法,实现对施工现场安全秩序的维护和监督。(3)电力施工人员的着装颜色与周围场景环境具有较大差异,其着装颜色特征是代表人员属性的重要标志,需要对该特征准确获取以确定人员属性。本文基于HSI颜色空间特点和Kmeans聚类算法,提出一种改进的颜色特征提取算法,能够对图像主要色彩信息有效提取,为目标检测和识别算法提供特征依据。