在煤矿井下无人驾驶和安防监控等领域，对行人目标的检测至关重要，但受井下光线昏暗、光照不均、背景复杂、行人目标小且密集等特殊工况环境的影响，图像中的行人目标存在边缘细节特征少、信噪比低、与背景相似度高等问题，难以有效识别遮挡多尺度下的行人目标。针对上述问题，提出了一种基于图像融合和改进CornerNet-Squeeze的煤矿井下行人目标检测方法。采用双尺度图像融合（TIF）算法将红外相机和深度相机采集的图像进行像素级融合，再进行形态学处理，减少背景干扰。在CornerNet-Squeeze网络基础上，将八度卷积（OctConv）引入沙漏型主干网络，处理图像特征中高低频信息，增强图像边缘特征，提高多尺度行人检测能力。实验结果表明：(1)在深度图像、红外图像、融合图像3种数据集上，改进CornerNet-Squeeze模型在保持原算法实时性的同时，有效提升了井下行人检测精度。(2)采用融合图像数据集训练的模型检测精度较红外图像和深度图像数据集训练的模型高，可见融合图像能充分发挥深度图像和红外图像的优势，有助于提高模型检测精度。(3)在不同程度遮挡和多尺度行人目标6种场景下，改进CornerNet-Squeeze训练的模型的行人漏检率最低。(4)与YOLOv4相比，在COCO2014行人数据集上改进CornerNet-Squeeze算法的平均精度提高了1.1%，检测速度提高了6.7%。(5)改进CornerNet-Squeeze能够有效检测出图像中远处小目标，对小目标的检测能力提升明显。

江苏省科技成果转化专项项目（BA2022040）；中国煤炭科工集团有限公司科技创新创业资金专项重点项目（2021-TDZD004）；天地科技股份有限公司科技创新创业资金专项项目（2021-TD-ZD004）；中煤科工集团常州研究院有限公司科研项目（2022TY6001）；

邹盛,周李兵,季亮,于政乾.基于图像融合和改进CornerNet-Squeeze的煤矿井下行人检测方法[J].工矿自动化,2023,49(02):77-84.DOI:10.13272/j.issn.1671-251x.2022070001.