刘备战， 赵洪辉， 周李兵

(1.陕西陕煤榆北煤业公司， 陕西 榆林 719000；2.中煤科工集团常州研究院有限公司， 江苏 常州 213015；3.天地(常州)自动化股份有限公司， 江苏 常州 213015)

0 引言

煤矿井下巷道错综复杂且工作环境恶劣，将无人驾驶技术引入煤矿开采，实现矿用车辆自动化，有利于提高煤矿井下安全系数。行人检测是煤矿井下无人驾驶的关键技术，许多学者对此展开了研究。J. S. Dickens等[1]采用多信息融合技术，结合3D传感器和红外成像传感器实现了井下矿用车辆的行人检测。董观利等[2]先对图像提取高斯模型前景，再对前景进行分类，可快速识别行人位置及越界方向。李伟山等[3]以深度学习通用目标检测框架Faster RCNN(Faster Region-based Convolutional Neural Networks)为基础，对候选区域网络结构进行改进，采用3种不同尺度的卷积核来计算候选区域，提高了煤矿井下行人检测的鲁棒性。李现国等[4]对基于SSD(Single Shot MultiBox Detector)网络的行人检测方法进行改进：设计了一种基于DenseNet网络的轻量级卷积神经网络作为SSD网络的基础网络，以满足井下视频行人检测实时性需求；同时设计了基于ResNet网络的辅助网络，提高了行人检测准确性。魏力等[5]采用通道注意力机制，在增强图像中人员前景特征信息的同时抑制背景信息，提高了在低分辨率、遮挡等影响下的目标判别能力。然而，受煤矿井下光照不均匀、背景复杂、红外线干扰、光线昏暗和图像中目标小且密集等影响，应用上述方法时检测精度不理想。本文提出了一种面向无人驾驶的井下行人检测方法。……