陈 天，闫雨寒，徐达伟，刘忠育，丁恩杰

(中国矿业大学a.矿山物联网应用技术国家地方联合工程实验室；b.信息与控制工程学院，江苏 徐州 221008)

0 引言

煤炭行业是以矿工为主体的劳动密集型产业，尽管煤炭开采技术能够实现自动化和机械化，但目前还做不到“无人化”。人的不安全行为是导致安全事故发生的最主要原因，严重制约着煤矿企业的安全生产和发展。由于矿工行为与环境交互密集，不仅对环境更加敏感，在识别时需要融合环境特征和行为特征，而且行为之间有一定相似度，需要进行细粒性识别分析，因此，矿工行为识别与普通行为识别相比具有更大的识别难度。

目前，针对行为识别的方法主要分3种：基于骨骼点的行为识别[1-4]、基于图像的行为识别[5-6]以及基于视频的行为识别[7-10]。国内主要利用矿工佩戴传感器采集的骨骼点数据，构造运动姿态相对位置特征、角度特征和帧间位移特征来对矿工行为进行描述[11-12]。这种方法虽然能够在光线昏暗的环境中准确捕捉到人的行为，但却忽略了行为与环境之间的交互，且无法识别易混淆的动作。为此，文献[13-14]将矿工行为的骨骼点特征和视频图像特征进行特征降维，再通过支持向量机对融合的行为特征进行分类。但由于矿工行为数据量庞大，手工提取上述特征十分困难，因此该方法在数据集应用方面具有一定的局限性。

针对目前研究存在的问题，本文提出了一种端到端的方法自主学习矿工行为特征并实现行为分类。……