近年来,我国铁路运输、特别是高速铁路发展迅速,由于异物侵限导致的行车安全事故虽偶有发生,但严重威胁行车安全。目前的铁路异物侵限监测形成了“双电网+视频”的综合模式。随着西部边远地区高速铁路运营里程不断增加,由于其复杂多变的地貌特征,基于现有的监测方式存在一定的盲区,建设成本高,维护难度大。“十三五”国家先进轨道交通重点专项提出了“基于空天车地信息一体化的轨道交通安全保障技术”,将移动平台用于轨道交通信息感知监测。无人机由于其机动灵活的优势,目前已应用在铁路建设勘测和电网巡检中,因此本文提出一种基于无人机的铁路限界异物检测及预警方法。研究内容如下:(1)异物检测方法中,建立了用于异物检测的背景特征库,利用K最近邻匹配计算实时采集图像与对应位置的背景特征库之间的匹配度,并采集现场数据对算法的有效性进行了验证。(2)异物提取方法中,提出了基于时空特征融合的异物提取方法,建立了基于空间特征的空域显著图和基于运动特征的时域显著图,利用自适应融合的方式得到了时空显著图,比较准确地提取出了异物。(3)异物识别方法中,基于一定量的训练样本数据,采用Ada Boost算法建立了联合特征分类器模型。测试结果表明,该分类器具有90%以上的识别率,能够区分出列车与其他异物。(4)异物跟踪以及预警方法中,首先提出了基于改进卡尔曼滤波的多目标跟踪方法,仿真结果显示该方法跟踪性能较好。给出了基于视频序列的入侵行为分析模型,该模型能够将底层图像特征转换成描述入侵行为的自然语言,从而达到预警目的。(5)现场实验验证部分,设计了在多种不同的入侵场景下,基于“无人机采集图像+PC端实时处理”的实验方案。实验结果表明,本文提出的基于无人机的铁路限界异物检测及预警方法,其判定准确率可到达95%以上,误判率和漏判率低于5%,平均处理时间小于2s,该方法的准确性和实时性基本满足要求,具备比较良好的异物检测与预警能力。图49幅,表9个,参考文献53篇。