作为煤炭开采大国,煤矿企业的安全生产对于我国的社会和经济发展都具有重要的意义。矿用摄像设备和井下信息传输的发展和完善,已经为实现智能化的视频监控和矿井人员跟踪定位系统奠定了基础。但由于煤矿井下的环境背景复杂,获取的视频图像质量较差,目标的可分辨性不强,现有目标跟踪方法的应用效果并不理想。基于此,为了进一步丰富矿井下视频图像智能处理的技术,在综合前人研究的基础上,分别进行了矿井图像增强和目标跟踪技术的研究,针对矿井图像的特点和现有算法的缺陷,提出了改进思路,具体的工作如下:(1)图像增强方面,为了改善矿井图像的成像质量,提升观测效果,针对传统Retinex算法处理矿井图像时存在的色彩失真、光晕模糊和过增强等问题,提出了一种改进的Retinex矿井图像增强算法。首先将待处理图像从RGB空间转为HSV空间;基于Retinex理论,对V分量采用改进的自适应快速引导滤波进行照度估计,进而获得反射分量;提出了一种“S型”函数对照度分量进行均衡化处理;对反射分量进行非线性拉伸,实现细节增强;最后将处理后的照度分量和反射分量融合,并转回RGB空间得到最终的增强结果。将该方法应用于矿井下非均匀照度环境,并选择三个具有代表性的算法进行对比,实验结果表明本文算法的增强结果在主观和客观评价方面大部分优于其他算法。可见该算法在色彩、细节和边缘保持方面均较优,且能够避免过增强现象,实现矿井图像的有效增强。(2)目标跟踪方面,提出了一种结合状态估计和改进Camshift的矿井目标跟踪方法。首先,利用背景差分自动获取初始目标区域,解决原算法需要手动标定目标,且只能跟踪一个目标的问题;针对待跟踪目标的特点,融合颜色和HOG特征建立目标模型,避免因背景或相似目标干扰导致的跟踪失败;最后考虑目标间容易发生交错遮挡,结合了卡尔曼滤波,对其运动状态进行估计,同时利用改进的Camshift算法对卡尔曼滤波估计进行修正,以提高跟踪的精确性。通过实验对比,验证了该方法能够适应矿井复杂环境的干扰,并在保证实时的前提下,能够较准确的跟踪多个运动目标,通过结果分析表明该方法的性能大部分优于其他对比方法。