施工电梯在现代社会中应用场景十分广泛,它在给人们带来极大方便的同时,也存在很大的安全隐患,例如电梯超载易导致电梯事故,应当加以制止。限制电梯承载人数可以防止电梯超载,而通过图像处理的方式获得电梯内人数是目前一种十分可行而且廉价的方式。如何从原始图像中检测人员并对人员进行计数,一直是计算机视觉领域的一个热门研究课题。人数统计在现代社会具有极高的实用价值,人数统计技术的应用场景也特别广泛。综合图像处理与机器学习是目前实现人数统计的常用方法。文章首先介绍了施工升降梯中安全帽统计的研究背景以及意义,然后介绍了一些常用的图像处理算法,例如边界检测、连通域标记以及图像分割。由于传统的边界检测算法在使用过程中提取的边界会出现断开的现象。本文中采用先提取目标区域二值图像,然后根据真实边界处像素点的邻域像素信息提取出完整不间断的边界。紧接着讨论了Hough变换算法,现有最常见的通过人头定位来实现人数统计的算法就是Hough变换。首先进行二值图像的近似均匀离散化采样,即使像素点均匀分布在目标区域范围内,在此基础上本文对Hough变换算法进行了模拟仿真,得出了Hough变换的时间效率,针对Hough变换在图像中人数较多时时间效率低下的缺陷,本文将平衡化模糊聚类算法用于安全帽的定位与统计计数,文中一共提到了两种数据集平衡化的策略:1.基于目标边缘轮廓的数据集平衡化2.基于图像密度信息的数据集平衡化基于目标轮廓的数据集平衡化需要先排除安全帽内部的虚假轮廓,并且需要尽可能多的提取出真实轮廓;基于图像样本点密度信息的数据集平衡化方式不依赖于轮廓提取,但是要求安全帽区域提取尽可能完整。两种方式在最终实现算法的过程中都十分依赖于参数的选取。当把FCM算法引入模型中时,可以减轻模糊聚类稳定性对于截集的选取过于敏感的问题,提高算法的稳定性。该模糊聚类对于轻微连续粘连的情形都能进行很好的定位,相比于Hough变换大大的提高了算法的时间效率。最后,对于安全帽的形状特性,本文是在定位安全帽的基础上,提取出其轮廓的特征向量,结合直线检测Hough变换,并利用BP神经网络来进行形状判断,对于升降梯中常见形状的相近颜色的干扰物能进行较好排除。