王国新， 王珂硕

(黑龙江科技大学 电气与控制工程学院, 哈尔滨 150022)

0 引 言

我国作为一个能源大国，煤矿作为一个高危产业，各煤炭企业在井下各个关键的位置装有大量的监控摄像头，由于矿井下环境复杂、光线暗淡、噪声干扰大。摄像头大多被安装在高处，因此，监控视频中的行人可能会存在尺寸偏小、尺度变化以及行人重叠的问题[1]。为使大量的监控视频能够得到更好地利用，及时发现井下行人的异常，保障其安全，对井下行人检测具有较高的价值及实际意义。

近些年，随着神经网络的快速发展，井下行人检测算法也迅速发展。张应团等[2]提出基于DCNN的井下行人监测方法是对YOLO网络中的第8层进行改进及优化，并应用到井下的行人检测中。蔡丽梅[3]等为解决视频中目标由于被遮挡或者产生形变而不能判断其是否为矿工的情况，提出利用安全帽特征对其目标进行检测的算法。吕建中[4]等针对图像质量问题，提出一种改进的基于模糊集理论的图像增强方法，通过加入基于颜色与边缘信息进行目标检测。王琳等[5]提出的井下行人检测方法以YOLO系统为基础，引入结合了金字塔池化模块。李伟山等[6]利用深度学习目标检测的方法，基于金字塔RPN的Faster R-CNN算法实现了井下行人检测。李现国等[7]提出的井下行人检测的方法是以DenseNet轻量级卷积神经网络作为SSD神经网络的主干部分实现的。韩江洪等[8]提出通过Faster R-CNN网络来实现井下行人定位。但各种深度学习检测模型权重体积较大，不能很好支撑实时行人检测。……