铁路周界入侵目标多尺度特征感知算法_H.docxVIP

第45卷，第1期202

第45卷，第1期2024年1月

Vol.45No.1January，2024

CHINARAILWAYSCIENCE

文章编号2024引用格式：朱力强，许力之，赵文钰，等.铁路周界入侵目标多尺度特征感知算法［J］.中国铁道科学，2024，45（1）：215226.

Citation：ZHULiqiang，XULizhi，ZHAOWenyu，etal.MultiScaleFeaturePerceptionAlgorithmforRailwayPerimeterIntrusionObject［J］.ChinaRailwayScience，2024，45（1）：215226.

铁路周界入侵目标多尺度特征感知算法

朱力强1,2，许力之1,2，赵文钰1,2，王耀东1,2，朱兴红3

（1.北京交通大学机械与电子控制工程学院，北京100044；

2.北京交通大学载运工具先进制造与测控技术教育部重点实验室，北京100044；

3.中国铁路兰州局集团有限公司安全监察大队，甘肃兰州730000）

摘要：准确识别侵入周界范围内的人和大型牲畜是铁路周界入侵视频智能分析技术的重点内容，对保障铁路安全运营具有重要意义。基于现有目标检测算法难以处理铁路监控场景中入侵目标呈现显著尺度变化的状况，提出一种多输入双输出神经网络（MultipleInputDoubleOutputNetwork，MIDO-Net）和基于自适应特征加权融合的目标多尺度特征感知算法。首先，通过MIDO-Net多层级联的多输入和双输出网络结构，提取图像目标更丰富的多尺度特征信息；其次，依据骨干网络多阶段的特点，先将多级特征上采样至统一分辨率，再利用注意力模块和自适应参数对多级特征进行加权；然后，将特征输入到检测头中完成铁路周界入侵的识别；最后，通过视觉目标类别（VisualObjectClasses，VOC）公共数据集和制作的多场景、多尺度铁路异物侵限数据集，对算法进行验证。结果表明：提出的多尺度特征感知算法在VOC公共数据集中的检测精确率达83.3%，在多场景、多尺度铁路异物侵限数据集中的检测精确率达91.1%，平均召回率达56.2%，均优于当前广泛使用的各种特征提取骨干网络；算法检测速率为45帧·s-1，优于同类型的骨干网络，且能满足铁路场景的行人实时监测需求。

关键词：铁路周界入侵检测；目标检测算法；特征提取网络；多尺度特征感知；神经网络

中图分类号：U298文献标识码：Adoi：10.3969/j.issn.2024.01.20

近年来，随着铁路的飞速发展，列车的运营里程不断增加。由于周界防护设施有限等原因，铁路周边的大块碎石、行人、野生动物等会进入铁路限界内，引发铁路异物侵限事件，进而影响行车安全，故对铁路周界入侵物体进行及时而精准的检测是保障列车正常运行的重要任务。

传统的震动光纤［1］、超声波雷达［2］等周界入侵检测方法仅适用于铁路道口等特殊场景，具有局限性。基于视频的监控技术具有安装简单、信息丰富、效果直观等优势，更适合用于多种铁路场景的周界入侵检测。为了使摄像头具有较大的监控覆盖范围，往往将摄像头架设在较高的地理位置，这就导致入侵异物在视频中呈现的尺度可能会很小。同时入侵异物与摄像头的空间位置关系不能确定，入侵异物在视频中的尺度变化范围非常大。入侵目标

的小尺度、多尺度的特性导致当前识别算法直接应用在周界入侵检测上存在不足。

传统的视频图像周界入侵检测技术如仿射几何［3］、高斯混合模型［4］、背景差分［5］、主成分分析［6］和卡尔曼滤波［7］等受环境和尺度影响较大，精确度较低。近年来，随着深度神经网络的快速发展，基于深度神经网络的目标检测算法检测精度不断提升，利用目标检测算法对铁路周界入侵进行检测逐渐成为研究的主要方向。

目标检测二阶段算法基于区域的卷积神经网络（Region-basedConvolutionalNeuralNetwork，RCNN）系列［8-10］和一阶段检测算法（YouOnlyLookOnce，YO