对矿区人员入矿、出矿及重要生产活动行为进行精准定位与准确识别是实现矿区智能安全生产的重要基础。针对复杂的矿区生产环境，提出一种基于MK-YOLOV4的矿区人员无标注视频检索方法，实现对矿区重要关口监控无标注视频的多人员目标检测和各人员身份重识别。首先，提出MK-YOLOV4算法，实现无标注视频多人员检测，在YOLOV4上构建多尺度预测，结合K-means++算法聚类生成符合样本特点的anchor box，增强卷积神经网络对小目标的表征学习。其次，提出基于外观不变性的通道注意力特征提取网络，实现矿区人员身份的精确重识别，并针对矿区人员统一工作服的难点，提出基于权重约束的难样本采样损失函数，结合Color jitter和随机擦除两种数据增强策略，提高身份识别网络的精确性和鲁棒性。最后，针对现有训练数据集类别少、场景样本单一等特点，构建了更符合矿区场景特点的Miner-Market矿区人员重识别数据集，并在标准数据集和该数据集上对所提方法进行验证，充分证明了所提方法具有较高的检索性能和识别精度。

针对视觉跟踪中的目标形变、部分遮挡和平面外旋转等问题,提出一种基于区域预估与自适应分类的视觉跟踪算法。该方法基于跟踪-修正-检测框架,利用Mean-Shift算法进行跟踪,并使跟踪器与检测器紧密相连,利用修正模块判断跟踪器和检测器是否需要在线更新;采用Kalman滤波器对目标潜在位置区域进行预估,避免全局扫描的繁琐流程;所提出的自适应方差分类器能够动态地调整分类器参数,增强分类器的灵活性,提高跟踪稳健性。采用OTB-2013评估基准中的视频序列进行测试,并将所提算法与其他4种具有代表性的视觉跟踪算法进行对比,实验结果表明,所提算法的稳健性和准确性均优于对比算法。