人体目标检测是一项复杂且具有挑战性的任务,随着计算机视觉和机器学习技术的不断发展,人体目标检测得到了广泛的研究。但是,当前研究人员还主要在理论上对人体目标检测进行研究,由于实际场景的复杂性,人体目标检测在实际环境中还未能大规模应用。本文针对某空调装配生产线这一特定的应用环境,利用区域和卷积神经网络相结合的方法来解决生产线关键岗位人员的检测问题。在人体目标区域提取阶段,本文分别基于选择搜索和基于RPN算法来提取人体目标区域。选择搜索主要通过图像自身具有的颜色空间、形状、纹理以及层次等特征来进行层次分组,并结合穷举搜索和分割强度等因素,同时使用图像结构来指导特征采样过程。利用选择搜索,图像中的人体目标位置将被尽可能多的被捕捉。基于RPN的人体目标区域提取主要是利用卷积神经网络实现,即利用人体目标样本来训练一个卷积神经网络模型,这不需要考虑图像的自身纹理等特征因素。为了产生可能的目标框区域,使用一个小网格在最后一层卷积层输出的卷积特征图上滑动,该网格利用3?3窗口在输入的卷积特征图上滑动,每一个滑动窗口被映射到维度更低的特征向量上,最终获得的向量被送入两个独立的全连接层:一个是人体目标框回归层,另一个是人体目标分类层,同时结合非极大值抑制算法,输出一系列可能的人体目标区域。根据生产线关键岗位这一特定的应用场景,本文采集和设计了专门的人体目标样本集并将其用来训练关键岗位人员检测模型。在人体目标卷积神经网络设计上,本文分别使用ZF和VGG-16两种卷积神经网络来训练。在人体目标网络训练阶段,利用预训练的ImageNet网络模型来初始化检测模型网络权重,并以此来微调人员检测神经网络权重参数,这极大地降低了模型的计算量并加快模型训练速度。此外,在判断关键岗位人员姿态上,本文充分利用了目标检测框的特性,通过人体目标检测框的宽和高的比值来判断岗位人员是站姿或坐姿。本文采用的算法在实际的人体目标测试样本集上进行实验,实际测试结果表明算法是可行且高效的,达到了生产线对关键岗位人员的检测要求。