1.一种安全帽佩戴检测方法，其特征在于，所述方法包括：获取施工现场的原始图像，通过图像变换将所述原始图像扩增N倍得到扩增图像；

对所述扩增图像标注安全帽信息；

将所述原始图像、扩增图像以及安全帽信息输入目标检测网络学习并进行图像特征提取得到人脸特征；

根据所述人脸特征得到人脸框图；

根据所述人脸框图确定头部区域，并在所述头部区域内进行安全帽检测；

所述目标检测网络为卷积神经网络，所述图像特征提取过程采用经过通道压缩的17个卷积层和一系列能使网络加速收敛的BN层；

通道压缩的17个卷积层特征图输出通道分别为8、16、16、64、64、64、64、64、32、64、64、

64、32、64、64、64、64，该网络所有权重均随机初始化；得到一系列的人脸特征后，根据人脸特征得到人脸框图具体为：将人脸特征结合回归网络和分类网络对人脸位置进行回归定位，同时，连接多个不同尺度的特征图融合对人脸进行检测得到人脸框图；人脸位置回归误差函数采用Smooth L1 Loss，具体算法为：其中N是先验框的正样本数量；这里 为一个指示参数， 时表示第i个先验框与第j个ground truth匹配，并且ground truth的类别为p，c为类别置信度预测值，l为先验框的所对应边界框的位置预测值，而g为ground truth的位置参数；

由于 的存在，所以位置误差仅针对正样本进行计算，值得注意的是，要先对ground truth的g进行编码得到 因为预测值l也是编码值,最后通过最小化Lloc(x,l,g)，实现一个可用的Smooth L1回归模型；

不同尺度的特征图为5个，5个不同尺度的特征图的尺寸分别为19*19、10*10、5*5、3*3、

1*1像素，连接5个不同尺度的特征图同时对扩增图像进行检测得到人脸框图，大大提高了精度；

使用softmax分类器解决人脸分类问题，人脸类别具体为人脸类别或非人脸类别，softmax具体算法为：(1) (1) (m) (m) (i)

类标y可以取k个不同的值，对于训练集{(x ,y ),…,(x ,y )}，得到有y ∈{1,

2,…,k}，此处的类别下标从1开始，而不是0；

对于给定的测试输入x，使用假设函数针对每一个类别j估算出概率值p(y＝j|x)，即估计x的每一种分类结果出现的概率，因此，假设函数将要输出一个k维的向量来表示这k个估计的概率值，向量元素的和为1；假设函数hθ(x)如下：其中 是模型的参数， 这一项对概率分布进行归一化，使得所有概率之和为1；

为了方便起见，同样使用符号θ来表示全部的模型参数，在实现Softmax回归时，将θ用一个k×(n+1)的矩阵来表示会很方便，该矩阵是将θ1,θ2,…θk按行罗列起来得到的，如下所示：下面公式为softmax的代价函数：

通过添加一个权重衰减项 来修改代价函数，这个衰减项会惩罚过大的参数值，现在的代价函数变为：

有了这个权重衰减项以后(λ>0)，代价函数就变成了严格的凸函数，可以保证得到唯一的解；此时的Hessian矩阵变为可逆矩阵，并且因为J(θ)是凸函数，梯度下降法和L‑BFGS等算法可以保证收敛到全局最优解；

为了使用优化算法，需要求得这个新函数J(θ)的导数，如下：通过最小化J(θ)就实现一个可用的softmax分类模型；

所述根据所述人脸框图确定头部区域具体为：

其中，(x00,y00)为人脸框图的左上坐标、(x01,y01)为人脸框图的右下坐标，(x10,y10)为头部区域的左上坐标、(x11,y11)为头部区域的右下坐标。

2.根据权利要求1所述的一种安全帽佩戴检测方法，其特征在于，所述图像变换包括图像亮度变换和镜像变换。

3.根据权利要求2所述的一种安全帽佩戴检测方法，其特征在于，所述图像亮度变换具体为：其中，g(x,y）为扩增图像x行、y列的像素值，f(x,y）为原始图像x行、y列的像素值，为扩增倍数， 为偏置系数。

4.根据权利要求2所述的一种安全帽佩戴检测方法，其特征在于，所述镜像变换为水平镜像，具体为：其中，(x0,y0)为原始图像的坐标，(x1,y1)为镜像操作后的坐标，w为原始图像宽度。

5.根据权利要求1所述的一种安全帽佩戴检测方法，其特征在于，所述安全帽信息包括标注框、标签信息，其中，额头为所述标注框的下边缘，头顶或安全帽帽顶为所述标注框的上边缘，头宽或者帽宽为所述标注框的宽度，未佩戴安全帽对应的标签信息为0，佩戴安全帽对应的标签信息为1。

6.根据权利要求1所述的一种安全帽佩戴检测方法，其特征在于，所述在所述头部区域内进行安全帽检测具体为：获取所述头部区域的截图；

将所述截图输入卷积神经网络，采用经过通道压缩的8个卷积层和一系列能使网络加速收敛性的BN层提取安全帽特征；

将所述安全帽特征结合回归网络和分类网络对安全帽位置进行回归定位，并判断是否佩戴安全帽。