煤矿安全生产一直是社会关注的重点话题,目前大多数煤矿通过安装视频监控系统来避免事故发生。现有的煤矿监控系统主要通过人工分析视频,导致无法对事故做出及时判断,虽然有部分煤矿安装了智能监控,但是存在监控效率低,误报率高的问题。因此研究适合于煤矿井下的人员检测算法,对保障矿工的安全有着重要的作用。煤矿井下光照不均匀且受煤灰等粉尘的干扰,导致监控视频质量差、对比度低,影响后续人形目标检测效果。为改善这一问题,本文提出了改进的反锐化掩膜图像增强算法。该算法首先利用双边滤波分解源图像得到高频图像;其次通过自适应增益函数放大高频图像;最后在源图像的基础上融合放大后的高频图像达到增强效果。实验表明,本文算法提高了图像对比度、完整地保留了源图像细节信息,更好地突出了人形目标。针对煤矿井下矿灯照射进监控区域时,误认为发生人员入侵而产生警告的问题,本文提出了基于形状特征的井下人形目标检测算法。该算法首先增强视频图像;其次将混合高斯背景建模法与改进了三帧差分法融合,避免前景目标出现“空洞”现象;最后通过判断前景轮廓外接矩形宽高比,消除矿灯干扰。实验表明,本文算法有效去除了矿灯干扰,提高了人形目标检测率。为了解决人形目标检测算法在复杂煤矿环境中检测率低的问题,本文采用了基于HOG与LBP特征融合的井下人形目标检测算法。该算法首先提取样本的HOG特征和LBP特征,并对HOG特征降维;其次将这两种特征串行融合,输入到SVM中训练分类器模型;最后对分类器参数进行优化。实验表明,本文算法提高了复杂煤矿环境中人形目标检测率,提升了算法的普遍适用性。