煤炭行业正在经历以“安全、高效、智能、绿色”为核心的智能矿山开采理念的变革，而计算机视觉作为一种高效、智能、低成本的新兴技术，已经成为当下智能矿山建设中的重要亮点。针对井下监控视频容易受到人工光源、粉尘和喷雾等干扰因素的影响，导致现有基于计算机视觉的井下人员监测方法存在实时性差、漏检和误检率高以及跟踪精度差的问题，提出了一种改进YOLOv7和DeepSORT的井下人员检测与跟踪算法。首先，为了提取到更为关键的井下人员图像特征，提高模型在煤矿井下复杂场景中的适应能力，在YOLOv7的Neck模块中融入SimAM注意力机制，并采用改进后的YOLOv7模型检测井下人员目标。然后，为了在降低模型参数量和网络复杂度的同时，进一步提高人员目标的跟踪精度，在DeepSORT的特征提取网络中引入ShuffleNetV2轻量化模块，并采用改进的DeepSORT模型对井下人员目标进行编码跟踪。最后，在已构建的井下人员视频图像数据集与公开数据集上对所述算法进行实验验证，结果表明：改进YOLOv7模型的平均检测精度相比YOLOv7模型提高了3.9%；改进DeepSORT模型的人员目标跟踪准确率达到了74.9%，跟踪精确度达到了82.3%，速度达到了24FPS。相较于YOLOv7-DeepSORT算法，本文所述算法的网络参数量减少了36%，显著提高了井下多人员目标检测与跟踪的实时性能，可望部署于井下智能边缘计算监测平台。

0. 引言
1. 目标检测与跟踪实现原理
1.1 YOLOv7模型概述
1.2 DeepSORT模型概述
2. 井下多人员目标检测与跟踪实现
2.1 改进YOLOv7的人员检测模型
2.2 改进DeepSORT的人员跟踪模型
2.3 算法实现过程
3.实验结果与分析
3.1 实验准备
3.1.1 人员目标检测数据集
3.1.2 人员目标重识别数据集
3.1.3 人员目标跟踪数据集
3.2 评价指标
3.2.1 井下多人员目标检测
3.2.2 井下多人员目标跟踪
3.3结果分析
3.3.1 人员目标检测实验与结果分析
3.3.2人员目标重识别实验与结果分析
3.3.3 人员目标跟踪实验与结果分析
4.结论