煤炭作为我国支柱能源,是工业领域的重要生产原材料,与国家的建设发展密切关联,提高煤炭综合利用率符合国家当前发展需要。通过对煤炭的筛选分级可以获得品类丰富的煤产品,扩大了煤炭的使用范围。煤用振动筛是煤炭地面分选流程中的关键设备,其筛分效率直接影响着煤炭的利用率,对减少资源消耗具有重要意义。针对煤颗粒物料在筛分过程中的运动特性研究,能指导优化振动筛的结构设计及相应参数设定,从而提高筛分效率。对筛面上煤颗粒的运动特性实测实验能较好地反映其复杂的运动情况,而煤颗粒物料的外观形貌具有随机性,在筛面上的运动速度较快,且在筛分过程中容易出现遮挡、破碎解聚的情况,给实测实验带来了挑战。所以,本文提出了基于机器视觉的方法来对运动煤颗粒检测和追踪,为研究振动筛上煤颗粒运动特性的实测实验提供了新的思路和方法。首先,本文搭建了模拟筛分激振实验台,针对普通摄像机难以完整采集煤颗粒高速运动情况下的视频图像,选择非接触式高速摄像机作为煤颗粒运动图像的采集方式。对采集到的煤颗粒视频序列图像中容易出现的噪声种类进行分析,研究了常用的几种去除噪声预处理方法。通过实验比较选定具有保持图像边缘的引导滤波(Guided Filter)作为本文去除噪声方法,并分析了应用于前景掩码的相关形态学处理方法。其次,对采集的运动煤颗粒图像分别使用自适应阈值三帧差分法、Vibe算法、单高斯模型法(SGM)以及基于EM算法的混合高斯模型法(EMGMM)进行运动煤颗粒检测。经过实验结果对比,EM-GMM相比于其他几种运动目标检测方法,对煤颗粒在运动过程中产生的阴影有较好抑制作用,能适应一定程度的场景扰动,提取出的煤颗粒前景掩码区域更加完整清晰。最后,在运动煤颗粒检测的基础上进行后续追踪。由于煤颗粒运动过程中容易出现遮挡,基于模版匹配的Mean-Shift追踪算法在运动煤颗粒发生遮挡时会发生追踪丢失,而基于运动状态估计的卡尔曼滤波(Kalman Filter)追踪算法以检测得到的前景区域的形心位置作为特征,通过状态预测及更新,对于遮挡情况下的追踪鲁棒性更高。为了实现对多个煤颗粒追踪,本文提出了融合匈牙利算法(Hungarian Algorithm)和基于特征卡尔曼滤波的多个煤颗粒追踪机制。利用匈牙利算法求解煤颗粒检测形心位置和追踪预测形心位置的最小化损失矩阵,实现了对多个煤颗粒指派追踪。并能够对湿煤聚团出现破碎解聚以及解聚后大、小煤颗粒出现遮挡的情况下稳定追踪。