井下視頻行人檢測方法

李現國， 李斌， 劉宗鵬， 馮欣欣， 劉曉， 宋金水， 張磊

(1.天津工業大學 電子與信息工程學院， 天津 300387； 2.天津市光電檢測技術與系統重點實驗室， 天津 300387； 3.山東新巨龍能源有限責任公司， 山東 菏澤 274918)

0 引言

煤礦安全是安全生產的重中之重。我國發生煤礦安全事故的因素一方面是自然地質條件、產業結構及現有開采條件，另一方面是從業人員素質低下及監管措施不到位[1-2]。后者屬于人為可控因素，可通過井下視頻監控系統及行人檢測方法對井下人員位置和行為進行檢測與識別，從而提高井下監管效率，及時發現安全隱患[3-4]。

行人檢測方法可分為基于特征提取和基于深度學習兩類。其中基于特征提取的行人檢測方法采用人工設計特征提取器，通過提取HOG特征[5]、Haar特征[6]、LBP特征[7]、積分通道特征[8]等訓練分類器，進而實現行人檢測。該方法需根據不同應用場景設計特定的特征提取器，難以適應復雜場景，泛化能力差。近年來，隨著深度學習理論的快速發展，基于深度學習的行人檢測方法取得了很大進步[9-12]，在檢測精度、速度方面較基于特征提取的行人檢測方法有很大提高。研究表明，利用深度學習自動獲取的特征可以更好地描述待檢測目標的特性，避免了復雜的特征提取和數據建模過程，具有更高的應用價值。但現有基于深度學習的行人檢測方法存在計算量大、檢測效率嚴重依賴硬件性能等問題，因此,本文在SSD(Single Shot MultiBox Detector)網絡[13]基礎上對其進行改進，設計了輕量級卷積神經網絡作為SSD網絡的基礎網絡及基于ResNet網絡[14]的輔助網絡，并在嵌入式平臺Jetson TX2上部署應用基于改進SSD網絡的井下視頻行人檢測方法，獲得了較好的準確性和實時性。……