基于深度学习的铁轨和障碍物检测算法研究.pdf

摘要

在铁路编组站调车作业中，由于调车头机车结构特点，机车司机倒车时无法看到

前方道路，需要其他调车员辅助观察和指挥。由于调车员疏忽、与机车司机交流时延，

或者地面信号机错误，常导致机车与停留车相撞、挤坏道岔等事故发生。为辅助机车

司机安全高效完成调车作业，在调车头安装监控摄像机，既能解决司机视觉盲区问题，

又可利用计算机视觉技术检测前方信号灯和障碍物，给予机车司机提示和警示信息。

本文针对铁路机车车载视频障碍物检测问题开展研究。因铁路编组站轨道纵横交

错，视觉上前方的车厢和调车头等停留车并不一定构成当前机车行驶的障碍物。本文

认为应以铁路轨道检测为基础，在机车当前行驶轨道的前方有限范围内进行障碍物检

测。因此，本文以铁路轨道检测和障碍物检测为研究内容，开展了如下研究工作：

1RESA

（）提出了一种基于深度学习的铁轨检测网络。以网络模型为基础，为了

弥补网络在复杂场景下提取近处轨道特征不明显问题，使用快捷的传统图像处理方法

提取铁轨特征，再将其与深度学习特征进行融合，提高轨道线推理的准确性。同时，

在RESA网络中添加金字塔池化模块，提高网络提取远处低分辨率铁轨特征的能力。

再者，在最后的轨道线推理过程中，加入先验知识来补全因特征不明显或网络不足导

致的轨道点缺失问题。

2FasterR-CNN

（）提出了一种基于改进的目标检测算法。本文主要面向铁路地面

信号灯和停留车的检测问题，构建了较大规模的数据集。铁路信号灯方向性强，非正

对摄像机情况下信号灯亮度和颜色特征不明显。并且，信号灯与停留车大小悬殊，要

求深度学习网络具有良好的多尺度目标检测能力。针对以上问题，本文对FasterR-

CNN网络进行改进，采用深浅层特征融合技术，以及多尺度训练策略。实验结果表明，

改进的FasterR-CNN网络能够显著提高铁路信号灯和停留车目标检测的准确性。

关键词：铁轨检测；障碍物检测；FasterR-CNN；信号灯

Abstract

Intheshuntingoperationofrailwaymarshalingyard,duetothestructuralcharacteristics

ofshuntinglocomotives,locomotivedriverscannotseetheroadaheadwhenreversing,so

othershunterareneededtoassistobservationandcommand.Duetothenegligenceofthe

shunter,thedelayofcommunicationwiththelocomotivedriver,ortheerroroftheground

signal,accidentssuchascollisionsbetweenthelocomotiveandtheparkingcarriages,andthe

crushingoftheturnoutoftenoccur.Inordertoassistthelocomotivedrivertocompletethe

shuntingoperationsafelyandefficiently,amonitoringcameraisinstalledattheshunting

head,whichcannotonlysolvetheproblemofthedriversvisualblindspot,butalsouse

computervisiontechnologytodetectthefrontsignallightsandobstacles,a