煤炭是我国的重要能源之一,提高煤矿安全生产水平意义重大,建立健全煤矿井下监控系统是煤矿安全生产和应急救援的重要保障。随着数字化矿用视频监控系统的广泛应用,智能化视频监控和矿井下的目标跟踪具备了强大的硬件基础。对矿井下的目标跟踪进行研究非常必要,可以通过分析视频中出现的违规行为、可疑目标和潜在危险快速报警,同时为事故发生后总结经验教训和分析事故原因提供资料。因此,本文针对矿井下低能见度、缺乏颜色信息等复杂环境下的光照不均、图像模糊等问题,以及工作人员头戴的矿灯对目标外观影响明显、巷道较长导致目标尺度变化较大等问题进行了研究,提出两种针对矿井下视频的目标跟踪算法,为实现智能化视频监控奠定坚实的基础。(1)本文提出了一种基于区域预估与尺度自适应的矿井目标跟踪算法,降低了矿井光照不均环境下目标外观和尺度变化等问题对目标跟踪性能的影响。本文构建了区域预估动态分类检测-PN学习-尺度自适应均值漂移跟踪的改进TLD框架,首先利用Kalman滤波在检测前进行目标所在区域预估,缩小检测范围,并提出动态更新阈值的方差分类器,提高算法应对目标外观变化的能力;然后跟踪器部分采用尺度自适应均值漂移算法进行定位,能较好地处理边缘遮挡问题,同时使算法具有较好的尺度特性。对比实验结果表明,该算法具有更好的鲁棒性,能有效地提高在标准数据集和矿井环境下视频中的跟踪性能。(2)本文提出了一种基于特征融合与多尺度学习的矿井目标跟踪算法,以应对矿井下能见度低和缺乏颜色信息情况下的目标外观和尺度变化等问题。首先针对矿井下视频颜色信息较少、目标易与背景相混淆的问题,采用HOG和LQC纹理特征训练相关滤波模型,在响应图层面进行特征的自适应融合,增强了对目标外观的描述能力;然后针对巷道较长导致目标尺度变化较大的问题,构建了尺度金字塔,使算法具备较好的多尺度特性。对比实验结果表明,该算法比仅采用HOG特征的经典核相关滤波算法具有更好的性能,在标准数据集和实际的矿井下视频中表现良好。