煤矿安全生产是煤炭行业可持续发展的重要因素之一,其中井下视频监控是煤矿安全生产的重要组成部分。由于大多数的煤矿安全事故都是由于井下作业人员违规行为所造成的,因此对井下工作人员违规行为的视频监控是十分必要的。现阶段的井下视频监控一般采用传统摄像头,在某些低照度的区域无法进行监控,将出现监控盲区。本文通过使用Kinect体感传感器获取人体骨骼点坐标,提出一种改进的动态时间规整算法,建立一个实时的矿井人员违规行为识别系统。本文的主要工作如下:(1)改进了DTW模板聚类算法,有效解决了DTW算法在违规行为识别中模板训练速度慢的问题。此改进方法直接把训练集分成适当的子集,并且直接配备合适的初始模板矢量,避免了传统聚类算法中子集逐步分解以及模板矢量逐步增加所消耗的时间。实验结果可以证明,以上改进算法可以有效解决矿井人员违规行为识别模板训练时间较慢的问题。(2)针对DTW算法中出现的两类最典型的问题——奇异点问题以及时间复杂度问题,本文提出了两种改进算法。首先,提出了分段线性逼近结合自适应权重动态时间规整算法来解决奇异点问题(简称为PLA-SWDTW)。然后,又提出了在全局匹配路径中使用动态全局规划算法来解决时间复杂度问题。最后对两种改进算法分别进行了实验以及仿真,PLA-SWDTW算法在SDUFall Dataset数据集的平均识别率达到了95.33%,动态全局规划算法在仿真实验中平均识别时间减少了46.47%。(3)基于改进的算法设计并搭建了矿井人员违规行为识别系统,分别在实验室场景以及真实矿井环境下进行了实验验证。实验结果表明,改进算法的平均识别率高达95.5%,平均识别时间减少了44%,因此该系统在真实场景中可以有效地识别出矿井人员违规行为。