基于计算机视觉的安全帽检测和身份识别一直是施工现场安全监控研究的重点。目前很多研究可以有效地识别没有佩戴安全帽的工人,但是对于工人的身份信息却很难确定。因此为了更有效的实施安全管理,本文提出了基于计算机视觉和深度学习的安全帽检测与身份识别的综合方法,对建筑工人进行安全帽检测的同时可以识别其身份。对于安全帽检测,本文采用基于YOLOV3的神经网络算法。数据集来源于公共数据集SHWD（Safety helmet wearing detect dataset）和施工现场监控视频截取的3000张图像。首先对YOLOV3采用SHWD进行预训练提高泛化能力,然后利用现场监控截取的关键帧图像进行安全帽识别的性能测试。对于建筑工人的身份识别,考虑到现场环境和视频特点容易对图像产生噪音污染,以及需要满足实时快速检测的需求,本文采用的是Light CNN-29轻量卷积神经网络算法。Light CNN-29通过提取建筑工人的人脸特征进行身份识别。本文将施工现场截取的关键帧图数据集作为Light CNN的训练与测试集。本文将以上两种方法进行综合。首先,通过YOLOV3深度学习模型,对输入的图像提取头部与安全帽特征,检测安全帽是否佩戴。然后将图片输入到Light CNN中进行人脸识别。在人脸识别过程,首先通过Haar级联分类器对图像中人脸进行检测,将检测到的人脸输入Light CNN-29进行特征提取,识别身份信息。为了验证该方法的可行性和有效性,在现场视频中截取3000张不同光照环境下的图像,对YOLOV3安全帽检测方法进行性能检测。同样,Light CNN-29人脸识别方法的性能检测,主要在公共数据库中进行测试比较。实验结果表明,YOLOV3具有检测精度高、速度快、召回率高、鲁棒性强等优点。Light CNN-29的身份识别率为87.53%,能够有效识别工人身份。