基于深度学习的井下运动目标跟踪算法研究

为了对井下作业人员和各类井下设备进行实时的定位管控,及时发现异常情况并采取措施,防止安全事故的发生,针对煤矿井下场景复杂、存在大量小目标和跟踪目标尺度变换大等特点,提出一种基于深度学习的井下运动目标跟踪算法。在孪生跟踪算法的基础上,提出了一种局部-全局匹配网络来提高算法在不同场景下的跟踪精度,并设计了一个无锚框的分类-回归网络,降低模型计算复杂度。为了验证模型的性能,收集了40个井下视频序列用于测试。测试结果表明,所提出算法能够有效提升对小目标、尺度变化大的目标和复杂背景中目标的跟踪能力,性能优于常用的目标跟踪算法的同时达到57f/s的实时运行速度。