煤矿井下生产作业环境复杂恶劣,灾难事故时刻威胁国家资产与人员安全,研究矿井安全生产就成了重要课题。论文针对井下监测视频中运动目标的检测和识别问题进行研究,提出了性能与效果较好的运动目标检测识别方法。(1)煤矿井下监测视频图像质量不高,光照、噪声、阴影等条件局限使得单一算法对图像检测效果不好。论文针对井下视频图像检测效果差的问题,提出了一种改进方法:采用混合高斯法建立背景模型,背景差分法检测前景图像,并融合帧间差分法检测的前景图像和Canny边缘检测算子检测填充后的运动物体团块,通过不同的逻辑运算实现目标检测,通过去除阴影和连通域标识的方法优化融合后得出的检测结果。由于融入了边缘检测算子,对光照和噪声不敏感,可消除图像中存在的多光照和噪声。尽管混合高斯背景建模鲁棒性好,但背景更新速度可能跟不上物体突然变化的速度,三帧差分法的背景更新拟补了这个缺陷。实验结果表明该方法有效提高了井下视频图像的检测效果。(2)结合传统的目标检测结果与深度学习算法,基于RFCN(Region-based Fully Convolutional Networks,RFCN)的矿井视频目标识别方法,改进了传统卷积神经网络识别精度不高且容易产生过拟合现象。通过分析与研究深度学习中的网络模型和深度学习RFCN算法,采用谷歌ResNetl01网络结构,使网络层级达到101层从而保证了目标识别精度。本方案采用了残差机制,没有增加运行时间。首先通过实验训练网络模型使之达到满意效果;然后针对在识别中产生的漏检和误检现象,分析其中原因,对难分样本进行二次训练,对网络模型参数进行微调,得到最优的检测识别模型。实验基于Windows平台,利用Python开发语言编程,使用tensorflow开源框架进行模拟训练。通过实验首先验证了融合经典目标检测算法在煤矿井下视频图像中的检测效果有所提升;然后确认了煤矿井下监测视频中包含的运动目标识别和定位效果,并进一步采用矿井下其他视频图像做测试,有较高的识别准确率和较好的鲁棒性。运行时间快,实时性好,解决了深层次的网络结构准确率和实时性难以平衡的问题。