1.一种基于中心注意向心网络的安全帽佩戴检测方法，其特征在于，包括步骤：

S1、对待检测图像的尺寸进行归一化；

S2、对待检测图像进行特征提取得到特征图，角点预测模块对特征图进行偏移量预测、角点位置预测和向心向量预测，所述角点预测模块包括：垂直-水平角点池化层、偏移量预测模块、角点位置预测模块、向心向量预测模块；

垂直-水平角点池化层获取特征提取网络输出的特征图，垂直-水平角点池化层使用一个由3x3卷积层、BN层和ReLU激活函数层组成的卷积块，分别提取出输入特征图在目标内部、目标水平边缘与角点位置的特征；借助垂直池化操作，将目标内部特征的最大值聚焦于水平边缘位置，与该位置的特征值相加，之后，通过水平池化操作将新的特征最大值聚焦于角点位置，与角点位置的局部特征相加，实现同时感知到所需预测的角点位置的局部特征、目标的水平边缘特征、目标的内部特征三个部分的信息；垂直-水平角点池化层输出的特征经过偏移量预测模块、角点位置预测模块、向心向量预测模块分别得到偏移量热图、角点位置热图和向心向量热图；

S3、对角点位置热图做局部最大值筛选和TopK筛选处理，过滤掉多余的角点检测结果，得到左上角点坐标集和右下角点坐标集，以及每个坐标集中每个角点的类别和置信度，所述角点类别包括：头部佩戴安全帽、头部未佩戴安全帽；

S4、利用偏移量热图对角点位置进行修正，得到修正后的左上角点坐标集和右下角点坐标集；

S5、通过修正后的左上角点坐标集和右下角点坐标集，构建候选的检测框，计算候选的检测框的向心区域；

S6、对候选的检测框进行后处理，得到最终的检测框，根据检测框类别，判断安全帽的佩戴情况。

2.根据权利要求1所述的一种基于中心注意向心网络的安全帽佩戴检测方法，其特征在于，所述头部佩戴安全帽的角点类别包括：头部佩戴红色安全帽，头部佩戴蓝色安全帽，头部佩戴白色安全帽，头部佩戴黄色安全帽。

3.根据权利要求1所述的一种基于中心注意向心网络的安全帽佩戴检测方法，其特征在于，步骤S2所述特征提取是通过特征提取网络实现的，特征提取网络设有下采样率，步骤S4所述对角点位置进行修正包括步骤：S41、以左上角点坐标集tl和右下角点坐标集br中每个角点的x和y坐标为索引，检索偏移量热图获取每个角点的偏移量；

S42、对每个角点坐标乘以特征提取网络的下采样率，以将偏移量热图中的角点位置映射回输入图像的对应位置中，并将坐标与偏移量相加，以修正下采样过程中的精度损失，获得修正后的左上角点坐标集tl和右下角点坐标集br。

4.根据权利要求3所述的一种基于中心注意向心网络的安全帽佩戴检测方法，其特征在于，步骤S5所述构建候选的检测框的方法为：S51、获取修正后的左上角点坐标集tl和右下角点坐标集br，以左上角点坐标集tl和右下角点坐标集br中每个角点的x和y坐标为索引，检索向心向量热图获取当前角点的向心向量，将左上角点坐标集tl中每一个左上角点坐标与对应向心向量相加，从而得到每一个左上角点对应的左上角点目标中心坐标(tlS52、将左上角点坐标集tl中的左上角点坐标逐一与右下角点坐标集br中的所有右下角点坐标组合，进行穷举配对，得到配对矩阵作为候选的检测框，对于左上角点坐标集tl中的第i个左上角点和右下角点坐标集br中的第j个右下角点的配对结果对应的配对矩阵为bboxscore

其中tl_score

5.根据权利要求4所述的一种基于中心注意向心网络的安全帽佩戴检测方法，其特征在于，步骤S5计算所述向心区域的方法为：对所有候选的检测框，定义向心区域R其中μ为超参数，ctlx

6.根据权利要求5所述的一种基于中心注意向心网络的安全帽佩戴检测方法，其特征在于，步骤S6所述后处理包括对候选的检测框进行筛选过滤，筛选过滤是根据筛选条件去除所有不可能的检测框，所述筛选条件包括：两个角点的类别不一致，则去除该检测框，判断公式为：

tl_clses

其中tl_clses

左上角点不处于右下角点的左上方，则去除该检测框，判断公式为：

tlx

其中(tlx

预测的目标中心位置不在向心区域之内，则去除该检测框，判断公式为：

其中

7.根据权利要求6所述的一种基于中心注意向心网络的安全帽佩戴检测方法，其特征在于，所述对候选的检测框进行筛选过滤完成后采用Soft-NMS算法去除重叠的检测框中置信度不符合预设条件的检测框。

8.一种安全帽佩戴检测系统，用于执行权利要求1-7任一项所述的一种基于中心注意向心网络的安全帽佩戴检测方法，其特征在于，所述安全帽佩戴检测系统包括：归一化模块、特征提取网络、角点预测模块、角点筛选模块、角点位置修正模块、检测框构建模块、后处理模块；

归一化模块对待检测图像的尺寸进行归一化；特征提取网络对待检测图像进行特征提取得到特征图，角点预测模块对特征图进行偏移量预测、角点位置预测和向心向量预测，得到偏移量热图、角点位置热图和向心向量热图；角点筛选模块对角点位置热图做局部最大值筛选和TopK筛选处理，过滤掉多余的角点检测结果，得到左上角点坐标集和右下角点坐标集，以及每个坐标集中每个角点的类别和置信度，所述角点类别包括：头部佩戴安全帽、头部未佩戴安全帽；角点位置修正模块利用偏移量热图对角点位置进行修正，得到修正后的左上角点坐标集和右下角点坐标集；检测框构建模块通过修正后的左上角点坐标集和右下角点坐标集，构建候选的检测框，计算候选的检测框的向心区域；后处理模块对检测框进行后处理，得到最终的检测框，根据检测框类别，判断安全帽的佩戴情况。

9.根据权利要求8所述的一种安全帽佩戴检测系统，其特征在于，在所述安全帽佩戴检测系统训练过程中，安全帽佩戴检测系统还包括边界约束中心注意模块，边界约束中心注意模块包括：中心池化层、偏移量预测模块、中心点位置预测模块、边界约束向量预测模块；

中心池化层获取特征提取网络输出的特征图，通过中心池化层使边界约束中心注意模块获取最具判别力的内部特征信息，迫使特征提取网络学习到提取关键性内部信息的能力，待检测目标经过中心池化层，分别传输到偏移量预测模块、中心点位置预测模块、边界约束向量预测模块，中心点位置预测模块预测中心点坐标和对应的置信度分数，偏移量预测模块预测偏移量使位置更加精准，边界约束向量预测模块预测一组边界约束向量以表示目标的边界大小约束，从而强制特征提取网络捕捉目标的尺度信息，所述边界约束(l其中s为下采样率，(tl