-
题名井下复杂环境人员重识别研究
被引量:3
- 1
-
-
作者
魏力
云霄
程小舟
孙彦景
-
机构
中国矿业大学信息与控制工程学院
中钢集团马鞍山矿山研究院股份有限公司选矿及自动化研究所
徐州市智能安全与应急协同工程研究中心
-
出处
《工矿自动化》
北大核心
2021年第6期63-70,共8页
-
基金
江苏省自然科学基金青年项目(BK20180640)
国家自然科学基金项目(61902404,51734009,51504255,51734009,61771417,62001475)
+1 种基金
国家重点研发计划项目(2016YFC0801403)
江苏省重点研发计划项目(BE2015040)。
-
文摘
对煤矿井下视频监控中的人员身份进行智能识别,对提高人员监管效率、减少安全事故发生具有重要意义。受井下环境复杂、视频监控设备性能局限性影响,井下视频监控图像存在分辨率低、遮挡、背景干扰等问题,导致井下人员间差异性较小,人员重识别准确率低。针对上述问题,提出了一种基于通道注意力和距离度量的网络结构,并将其用于井下复杂环境人员重识别。针对监控图像中人员与背景不易区分的问题,在骨干网络中引入通道注意力模块,使其更加关注人员的前景特征而抑制背景信息,并将骨干网络最后一层输出的特征图大小扩大1倍,以获得更多的细粒度特征,丰富人员的特征信息,增强网络对特征的学习能力;在实现不同身份人员分类的基础上,利用人员图像间的绝对距离信息,通过距离度量模块对难以识别的人员图像进行采样和加权处理,增加难样本在反向传播时的权重,使网络更加关注具有判别力的人员特征;联合使用身份损失和距离度量损失优化特征层,使网络提取出更具判别力的人员特征,从而提高重识别准确度。采用Miner-CUMT数据集对提出的井下复杂环境人员重识别方法进行验证,结果表明该方法可充分利用井下不同身份人员的关键信息,使识别网络具有更强的判别能力,提高了井下作业人员身份识别准确度。
-
关键词
煤矿智能监控
井下视频监控
人员智能识别
人员重识别
卷积神经网络
特征提取
特征度量
通道注意力
-
Keywords
coal mine intelligent monitoring
underground video monitoring
personnel intelligent recognition
personnel re-identification
convolutional neural network
characteristic extraction
characteristic metric
channel attention
-
分类号
TD67
[矿业工程—矿山机电]
-