我国煤矿企业众多,煤矿领域的安全生产对社会与经济的发展具有重要意义,视频监控则是保障煤矿井下安全作业的关键措施。实现对井下人员的跟踪,能实时反映矿工在井下的信息,有利于井下人员定位和危险情况下的系统预警。同时,人员检测跟踪对井下矿工与设备安全作业,以及监控系统的自动化意义重大。本文针对煤矿井下的监控场景,在矿井下几个有代表性的场景中,分别利用颜色与纹理特征融合的Camshift算法、深度学习中的YOLOv3网络框架,实现对矿工的实时检测与跟踪。本文的主要研究工作包括以下几个方面:(1)在井下巷道与运煤皮带处对矿工的跟踪井下图像存在噪声干扰与光照不均的情况。因此,对图像进行了预处理,改善图像质量尤其是初始帧的质量。其次,针对矿工的特点,选用了颜色与纹理特征鲜明的跟踪区域,即矿工肩部以上的区域。颜色特征选用HSV颜色空间的H分量,纹理特征选用了改进的等价LBP纹理。最后,参照Mean shift跟踪算法中的概率密度函数融合两种特征,运用Camshift算法实现对矿工跟踪。实验表明,在井下光线昏暗以及头灯干扰的情况下,能够准确、实时地跟踪矿工。(2)井下变电所处矿工的识别跟踪井下变电所作为设备重地,设备与矿工的安全尤为重要。为了更加准确地实现矿工的检测跟踪,本文选用了YOLOv3深度学习网络框架。首先,在原有网络基础上缩减了网络结构、修改了网络参数。其次,预处理了变电所的矿工图像数据,重新训练了井下变电所的矿工模型。实验表明,经过修改后的训练模型,收敛更加快速、占用资源更少。在矿工多姿态、头灯干扰、目标变小的情况下均能识别并跟踪,在设置的置信度分数为0.25的前提下,对于视频中的矿工跟踪没有出现丢帧现象,完全满足实时监控的需求。(3)变电所矿工的行为分析实现变电所的矿工跟踪后,对矿工的后续行为进行简单分析。一是越界检测,利用矿工检测框的中心点与安全线的位置关系,来判定是否存在越界情况;二是滞留情况检测,统计并分析变电所矿工的巡检时间,通过矿工在划定区域的时间长短,判定矿工的滞留情况。通过对矿工的异常行为检测,以提高矿工的安全意识,保障变电所安全稳定地运行。对井下矿工的检测跟踪,提高了矿井监控系统的自动化程度,对于井下人员的安全作业与设备的安全运行意义重大。