魏力，云霄，程小舟,2，孙彦景,3

(1.中国矿业大学 信息与控制工程学院， 江苏 徐州 221116；2.中钢集团马鞍山矿山研究院股份有限公司 选矿及自动化研究所，安徽 马鞍山 243000；3.徐州市智能安全与应急协同工程研究中心， 江苏 徐州 221116)

0 引言

目前对煤矿智能监控的研究大多针对煤炭开采和运输设备监测或相关作业人员行为识别[1-2]，缺乏对人员个体的智能识别，人员监管效率低。人员重识别是一种利用计算机视觉算法在图像或视频序列中查找特定人员的智能识别技术，根据给定人员的穿着、姿态、发型等信息检索跨设备下该人员的其他图像，可与人员检测、跟踪技术相结合,应用于智能安保、智能视频监控、智能检索等领域。将人员重识别技术用于煤矿智能视频监控系统，对提高煤矿人员监管效率、减少安全事故的发生具有重要意义。

人员重识别主要包括特征提取和特征度量2个部分。传统的人员重识别方法是先设计描述人员图像的手工特征，再建立模型来计算手工特征之间的相似性[3-4]以进行匹配。然而这种基于手工特征的人员重识别方法对人员特征的描述能力有限，难以适用于复杂场景下的大数据集任务。随着深度学习技术的发展[5-6]，基于卷积神经网络(Convolutional Neural Network，CNN)的人员重识别方法不仅能够自动学习出复杂的特征描述，还能实现端到端的人员重识别任务，从而简化人员重识别模型。文献[7]提出一种人员干扰抑制网络，利用一个全卷积网络提取人物图像的特征，然后在待查询人员特征的引导下增强候选图库中目标人员的特征，同时抑制干扰人员的特征。……