秦璐璐，李敬兆

(安徽理工大学 计算机科学与工程学院，安徽 淮南 232001)

井下视频监控是保证煤矿安全生产的重要环节[1]。现有矿井视频监控系统配置的前端监控器主要是采集和上传视频数据，一般不具有分析计算能力。煤矿企业一般通过系统平台的反馈对井下场景进行监控，存在着管理不及时、安全效率低等问题。此外，监控系统对井下各类监控场景的无差别采集和存储，会产生海量的视频冗余数据，若将数据全部上传至云服务器进行分析处理，会存在网络带宽过高和云端压力过大等问题[2]。而视频监控数据的远距离传输会产生较长时延，不能即时实现智能预警[3]。

目前，国内外针对煤矿视频监控系统的研究较少，相关研究主要集中在煤矿监控视频处理、矿工行为识别、井下视频图像增强和煤矿设备监测等方面。徐永刚等[4]针对井下视频处理的时延问题，利用分布式组件搭建了井下视频处理平台，对帧间相关性高的视频流等分截取视频帧，通过加权融合算法对各节点处理结果进行融合，提高了平台处理视频数据的实时性，但对矿井高危场所的适应性不强，无法对矿工进行目标检测。罗响等[5]针对井下矿工复杂行为识别，提出了基于深度网络的持续学习模型，利用主动学习方法对新样本进行标记和学习，提高了识别准确度，但无法解决矿工在矿井高危场所越界问题。王树奇等[6]提出了一种矿井视频监控图像增强和运动目标检测算法，使系统检测能力得到了提高，但无法满足矿井高危场所处理紧急事件时延低的需求。……