煤矿井下综采工作面视频目标跟踪作为井下视频监控的重要一环,在保障井下作业人员安全、构建智慧煤矿等方面发挥着重要作用。煤矿井下场景复杂多变,现有的目标跟踪算法在煤尘、目标形变和矿灯动态光束等场景下难以取得良好的跟踪效果。...煤矿井下综采工作面视频目标跟踪作为井下视频监控的重要一环,在保障井下作业人员安全、构建智慧煤矿等方面发挥着重要作用。煤矿井下场景复杂多变,现有的目标跟踪算法在煤尘、目标形变和矿灯动态光束等场景下难以取得良好的跟踪效果。因此,在ATOM(Accurate Tracking by Overlap Maximization)算法基础上建立双重调制网络和通道注意力机制,可克服复杂环境的影响。双重调制网络由通用交并比(Intersection over Union,IoU)调制和空间调制网络构成。其中,空间调制网络通过记忆查询的方式提取出第一帧与当前帧特征点间的关联程度,以对目标关键特征信息进行增强。通道注意力模块嵌入主干网络,通过建立残差通道注意力机制,学习表示通道重要程度的权重系数,提升主干网络对关键特征信息的提取能力。算法的有效性在工作面视频目标跟踪数据集上得到验证,成功率提升1.48%,精确率提升3.9%,Pnorm得分提升2.75%。改进后的模型效果提升显著,更加适应于煤矿场景下的目标跟踪。展开更多
文摘煤矿井下综采工作面视频目标跟踪作为井下视频监控的重要一环,在保障井下作业人员安全、构建智慧煤矿等方面发挥着重要作用。煤矿井下场景复杂多变,现有的目标跟踪算法在煤尘、目标形变和矿灯动态光束等场景下难以取得良好的跟踪效果。因此,在ATOM(Accurate Tracking by Overlap Maximization)算法基础上建立双重调制网络和通道注意力机制,可克服复杂环境的影响。双重调制网络由通用交并比(Intersection over Union,IoU)调制和空间调制网络构成。其中,空间调制网络通过记忆查询的方式提取出第一帧与当前帧特征点间的关联程度,以对目标关键特征信息进行增强。通道注意力模块嵌入主干网络,通过建立残差通道注意力机制,学习表示通道重要程度的权重系数,提升主干网络对关键特征信息的提取能力。算法的有效性在工作面视频目标跟踪数据集上得到验证,成功率提升1.48%,精确率提升3.9%,Pnorm得分提升2.75%。改进后的模型效果提升显著,更加适应于煤矿场景下的目标跟踪。
