1.矿井下皮带运输人员人机交互行为安全监控与预警方法，其特征在于，包括以下步骤：

(1)通过监控摄像头采集矿井下的实时视频流；

(2)利用相机标定原理对视频中的皮带进行尺寸估计，再据此划定一个三维的ROI区域，即皮带危险区域；

(3)在视频中检测所有人的人体关键点，通过局部亲和场衡量关键点之间的关联程度，并结合二分图匹配优化方法将属于单个人的人体关键点进行聚类，达到检测视频中每个人的人体关键点的目的；

(4)确定检测到的人体关键点在世界坐标系中x、y轴分量，对每个人体关键点自定义一个高度分量z，3个分量组合为完整的人体关键点的世界坐标；

(5)根据皮带危险区域与每个人的人体关键点的相对位置关系，判断人机相互行为是否安全，进而确定是否需要预警。

2.根据权利要求1所述矿井下皮带运输人员人机交互行为安全监控与预警方法，其特征在于，在步骤(3)中，将视频中的每一帧图片作为输入，提取其中的深层特征，得到的特征图F；将特征图F输入到两条卷积神经网络的步骤1中，在步骤1中，第一条卷积神经网络会预测一组关键点的置信图S1＝ρ1(F)，其中ρ1表示该卷积神经网络在步骤1的推理过程；第二条卷积神经网络会预测一组局部亲和场 其中 表示该卷积神经网络在步骤1的推理过程，它的作用是将预测出的人体关键点根据每个人、每条肢干进行聚类，以得到一组完整的人体关键点信息；随后，两条卷积神经网络步骤1的预测结果分别与原始的特征图F串联在一起输入到后续步骤中，以得到更加精确的预测结果，后续步骤通过下式表示：t t t

上式中，S和L 分别为步骤t得到的置信图和局部亲和场，ρ和 分别为两条卷积神经网络步骤t的推理过程。

3.根据权利要求2所述矿井下皮带运输人员人机交互行为安全监控与预警方法，其特征在于，在两条卷积神经网络的每个步骤后分别应用均方误差损失函数，两条卷积神经网络在步骤t的损失函数如下：上式中， 和 分别为两条卷积神经网络在步骤t的损失函数；p为待检测图片中任意一点的坐标；W(p)为一个布尔值，当训练数据集中的标注不存在时W(p)＝0，反之W(p)＝1；

表示点p处第j个人体关键点在步骤t的置信图， 表示置信图的真实位置；

表示点p处在步骤t的局部亲和场， 表示局部亲和场真实位置；

定义图片中任一位置p点的关键点置信度的真实参照如下：

上式中，xj,k表示已标注的训练样本中第k个人的第j个人体关键点的真实坐标，σ是控制置信点高斯图离散程度的常数；

进行取最大值的操作，则得到第k个人的第j个人体关键点的置信参照

4.根据权利要求1所述矿井下皮带运输人员人机交互行为安全监控与预警方法，其特征在于，一个人包含9个人体关键点，这9个人体关键点分别表征人的鼻子、胸口、右肩、右手、左肩、左手、胯骨、右脚和左脚。

5.根据权利要求1所述矿井下皮带运输人员人机交互行为安全监控与预警方法，其特征在于，在步骤(5)中，根据步骤(2)得到的皮带危险区域确定皮带危险区域正视图投影和俯视图投影；对于视频中的每个人，计算其人体关键点与皮带危险区域俯视图投影之间的最小距离dT、人体关键点与皮带危险区域正视图投影之间的最小距离dF以及该人体关键点的高度h，若dT和dF同时小于等于安全距离阈值d，且h小于皮带危险区域正视图投影的高度，则判断该人员的人机交互行为是不安全的，发出预警。

6.根据权利要求5所述矿井下皮带运输人员人机交互行为安全监控与预警方法，其特征在于，在步骤(5)中，构建深度神经网络分类器，利用该分类器对检测到的人体关键点信息进行动作分类，将每一帧图片中的人体关键点位置信息组合为一个样本，对应于一种动作的类别，使用标注好的大量人体关键点—动作样本对分类器进行训练，使其具备识别单帧图片中人体动作的能力，根据分类器的识别结果确定不同动作对应的安全距离阈值di，其中下标i代表第i类动作。

7.根据权利要求6所述矿井下皮带运输人员人机交互行为安全监控与预警方法，其特征在于，考虑到监控视频中的人员动作具有连贯性，在单帧动作识别的基础上加入了连续多帧的概率判断模型：以连续的M张图片为判断单元，使用单帧动作分类器返回对这M张图片中动作的分类结果，并记录不同分类结果的计数，最后计算各个分类结果占总结果数的比率，比率最大的即为这M张图片的动作分类结果。

8.根据权利要求6所述矿井下皮带运输人员人机交互行为安全监控与预警方法，其特征在于，动作分类结果包含3类：摔倒、下蹲和吸烟；对这3类动作分配不同的安全系数γi，并据此计算各自的安全距离阈值di＝γi·d，其中i＝1,2,3，根据安全距离阈值判断该动作下人员的人机交互行为是否安全。