目前煤矿业已经基本配备了视频监控系统,但大多数的井下视频监控系统仅仅利用人工进行监控,在长时间的监控过程中,监控人员极易疲劳,引发安全事故。若能在现有视频监控系统的基础上,运用智能检测及跟踪技术,实时的得到井下人员的位置信息,下达对井下人员的一些安全警告或指示,则能提高煤矿井下作业的安全性。然而,与普通场景不同,煤矿井下的场景整体照度偏低,各位置光照不均,并且没有传统视频中的色彩信息,导致目标与背景非常相近,这些问题使得井下场景的目标检测非常困难,也使得传统的跟踪方法在井下视频的应用效果并不理想。为了改善井下视频目标跟踪的现状,本文对井下场景的特点进行了研究与分析,在传统的视频跟踪处理流程与算法上进行了改进,其主要的研究内容有以下几点:(1)针对井下光照强度不稳定的问题,通过对场景进行混合高斯背景建模,动态更新场景的背景,减小了背景渐变对目标前景检测带来的影响。针对煤矿井下光斑与阴影干扰的问题,本文对井下的场景信息进行挖掘,设计了一种结合相关系数法的光斑与阴影消除策略,并在煤矿井下图像序列中进行了实验与对比实验,实验结果验证了本文算法的有效性。(2)针对井下场景的特点,本文选择了HOG(Histogram of Oriented Gradient,方向梯度直方图)特征作为目标跟踪的主要特征,运用粒子滤波跟踪算法对井下人物进行跟踪,并在传统的粒子滤波算法上进行了改进,基于判别式的方法来计算粒子的权重,使得粒子的加权结果更接近真实的目标位置,从而优化了跟踪的效果。在实际跟踪过程中通过核密度估计的方法来计算搜索框中的前景ROI(Range of Interest,感兴趣区域)属于跟踪目标的概率和属于背景的概率,进而判别搜索框中的ROI是否是人体目标,并通过建立实时更新的样本库和加入光斑阴影去除的步骤来提高目标跟踪的精度。本文选用了基于Kalman-Camshift的跟踪算法和基于SVM(Support Vector Machine,支持向量机)的跟踪算法做实验对比,实验结果表明,本文提出的跟踪算法在井下场景有较好的适应性,本文方法切实有效。