井下WSN目标跟踪局部异常检测算法

针对煤矿井下特殊信道环境对无线传感器网络(WSN)目标跟踪造成的约束和对量测数据的精确性造成的影响，设计了适用于井下巷道特征的网络拓扑结构以及分布式分簇目标跟踪算法，并在此基础上提出运用局部异常因子检测算法(LOF)对量测数据中存在的异常点进行实时监测和更新最后结合交互式多模型滤波算法(IMM)实现目标状态估计，仿真结果表明，该算法有效提高了跟踪精度，平衡并降低了网络能耗。     

面向井下改进分布式粒子滤波跟踪算法研究

基于煤矿井下复杂环境,无线传感器网络节点能量有限且易于布放的特点,提出了一种面向煤矿井下改进分布式粒子滤波目标跟踪算法。在动态分簇的基础上利用粒子滤波对目标跟踪。仿真结果表明,与传统分簇算法比较,改进算法可以降低节点的冗余度,降低能耗。同时将改进分簇算法与粒子滤波跟踪算法结合,集中了2种算法的优点,在保证跟踪精度的前提下延长网络的生存周期,且满足煤矿井下的目标跟踪要求。     

基于Camshift自适应多特征模板的视频目标跟踪

Camshift算法实时性高,计算量小,在目标跟踪领域应用效果良好。但其仅依靠颜色模型的特点使得在噪声大、照度不均的井下视频目标跟踪中易造成目标丢失。通过在Camshift基础上建立多特征融合的模板自适应更新算法,实现边缘、纹理等特征的融合,制定特征贡献度规则,在环境变化时根据不同特征贡献度的不同自适应分配权重,更新模板。实验结果表明：新算法抗干扰能力强,特征间互补不足,跟踪准确,在煤矿复杂环境井下视频目标跟踪中有良好应用前景。     

基于ORB特征的矿井移动目标双目视觉跟踪与定位

针对井下NLOS环境信号接收强度(RSSI)和飞行时间(ToF)定位方法存在多径干扰和定位时延,导致定位误差较大问题,提出了基于ORB特征的矿井移动目标双目视觉跟踪与定位方法。首先根据矿井移动目标双目视觉跟踪与定位原理,利用RSSI阈值监测井下移动目标的位置范围,据此触发双目视觉传感器对移动目标图像信息采样和特征提取;然后对采集的目标图像与训练图像进行ORB算法特征匹配;最后根据双目视觉传感器的视差均值和图像像素坐标公式,求解相机内外参矩阵和标定移动目标的世界坐标,从而获取井下移动目标的准确位置信息,实现实时跟踪与精确定位。结果表明,与其他算法相比,本文方法能够有效提高定位精度和实时性,对井下目标遮挡、低照度和噪声环境具有较强的鲁棒性。     

基于运动特征的矿井下运动钻杆跟踪方法研究

针对煤矿井下运动钻杆目标跟踪时,由于井下目标物体全部遮挡、颜色相似等因素会造成目标瞬间跟踪失败的情况。因此,提出一种基于运动特征的煤矿井下运动钻杆跟踪方法。该方法首先采用混合高斯模型建模,对当前帧图像进行背景剔除获得目标运动特征,同时,利用权值融合的方式建立图像的运动和颜色联合概率分布图,然后经粒子滤波器滤波处理,进而实现钻杆目标的跟踪。该算法的测试结果表明:该方法很好的解决了完全遮挡问题。     

基于改进卡尔曼滤波算法的煤矿井下跟踪方法

煤矿井下环境特殊,受限的多径衰落无线信道对跟踪技术提出了极大的挑战。提出了指纹匹配和卡尔曼滤波相结合的井下跟踪算法。首先利用卡尔曼-均值滤波器对采样RSSI值进行去噪等处理,然后执行指纹匹配算法得到观测点处的位置坐标作为跟踪中的观测值,并与真实值估算出井下观测噪声方差,最后采用改进的卡尔曼滤波算法跟踪目标运动轨迹。试验结果表明,改进的算法能够满足矿井下目标的跟踪精度及误差的要求,增强了跟踪系统的可靠性。     

井下目标跟踪与测距方法研究

矿井下存在某些危险区域,这些区域不允许工人在未采用安全措施的情况下进入,然而由于一些环境或人为因素,使得常用的警示标志不够有力,导致了井下事故的发生。因此,文章介绍了一种采用基于计算机视觉的自动检测方法检测工人是否进入危险区域的方法,该方法首先使用核相关滤波算法KCF(Kernel Correlation Filter)跟踪目标,然后利用双目视觉原理对跟踪的目标进行测距,同时利用Kalman滤波算法优化所得到的距离信息,使得测距方法对于遮挡目标有一定的鲁棒性,保证目标在危险区域之外。井下目标跟踪与测距方法具有价格低廉,计算量少,测量距离范围大,测距准确度高等优点。     

基于Zigbee技术的煤矿井下GIS辅助定位算法

针对无线传感器网络井下定位与跟踪系统中移动节点在参考节点数目小于3的情况下无法定位的问题,提出了基于Zigbee技术的井下GIS辅助定位算法,依据Zigbee网络的测量数据通过对GIS中图层、图元的操作来完成移动节点在信标节点不足情况下的定位跟踪和无信标节点情况下的区域估计.实验结果表明,该定位算法平均纵向定位误差小于2.5 m,横向误差小于1/2巷道宽度,在3～8 m宽的巷道内点位误差为2.5～5.0 m,跟踪延迟少于1 s,具有较好的定位与跟踪性能,有效地扩大了井下定位网络的覆盖范围.     

改进YOLOv5s和DeepSORT的井下人员检测及跟踪算法

矿井移动目标的实时监测及跟踪系统是建设智慧矿山必不可少的内容，井下巡检机器人的出现可以实现对作业人员的实时监测，但是井下光照不均、煤尘干扰等因素的存在导致传统图像检测算法无法准确检测出作业人员。基于此提出一种可部署于井下巡检机器人的改进YOLOv5s和DeepSORT的井下人员检测及跟踪算法。首先利用监控摄像头与巡检机器人所录视频制作数据集，然后使用改进YOLOv5s网络对井下人员进行识别：考虑到井下人员检测及跟踪算法包含复杂的网络结构和庞大的参数体量，限制了检测模型的响应速度，使用改进轻量化网络ShuffleNetV2替代原YOLOv5s主干网络CSP-Darknet53。同时，为减少图像中复杂背景的干扰，提升作业人员的关注度，将Transformer自注意力模块融入改进ShuffleNetV2。其次，为了使多尺度特征能够有效融合且使得推理信息能够有效传输，将Neck中FPN+PAN结构替换为BiFPN结构。接着利用改进DeepSORT对人员进行编码追踪：考虑到井下环境黑暗，照度低，无纹理性，DeepSORT难以有效提取到人员的外观信息，于是采用更深层卷积替换DeepSORT中小型残...     

面向煤矿井下的改进分布式目标跟踪算法

提出一种面向煤矿井下线性拟合和卡尔曼滤波相结合的改进分布式目标跟踪算法。根据移动目标的当前位置建立动态簇,簇头节点集中处理簇成员节点发来的最新观测数据,结合线性拟合算法和卡尔曼滤波算法对移动目标进行预测,将线性拟合的预测值和卡尔曼滤波预测值作为真正的预测值,得到目标的状态估计,通过这样的改进可实时的修正预测值。仿真结果表明,与传统的分布式目标跟踪算法比较,改进算法集中了2种算法的优点,有很好的跟踪性能。