基于双流神经网络的煤矿井下人员步态识别方法

人脸、指纹和虹膜等生物识别方法在井下复杂环境限制下常常比较模糊,导致基于这些生物特征的煤矿井下人员身份识别率不高。本文在残差神经网络和栈式卷积自动编码器的基础上,提出了一种基于双流神经网络(TS-GAIT)的步态识别方法。主要利用残差神经网络提取步态模式中包含时空信息的动态特征,利用栈式卷积自动编码器提取包含生理信息的静态特征,并采用一种新颖的特征融合方法实现动态特征和静态特征的融合表征。提取的特征对角度、衣着和携带条件具有鲁棒性。在CASIA-B步态数据集和采集的煤矿工人步态数据集(CM-GAIT)上对该方法进行实验评估。结果表明,采用该方法进行煤矿井下人员步态识别是有效可行的,与其他步态识别方法相比准确率有显著提高。

基于压缩感知改进SP算法的井下人员定位方法

为了提高井下人员的定位精度,提出了基于压缩感知改进SP算法的矿井人员定位方法。定位分为2个阶段,在离线阶段划分子区域,建立子区域位置指纹库;在在线阶段,提出PIT子区域粗定位,运用压缩感知重构算法进行精确定位,提出K自选择改进SP算法,解决了稀疏度K不确定影响定位结果的问题。实验结果表明:网格尺寸越小,参考节点越多,定位误差越小;改进算法对比其他算法具有优越性,仿真测试验证了其定位精度大的性能。