铁路运输是货物运输和大众出行的重要基础设施,因此保证机车运行安全具有重大意义。我国铁路事业发展迅速,营运里程和路网密度大幅提升,然而我国铁路覆盖地形范围广袤,机车运行环境复杂,由异物侵限造成的机车运行安全事故频发,严重影响铁路运输的安全。针对自然灾害发生的滑坡泥石流和人为因素的建筑垃圾以及行人、交通工具等侵限行为,仅凭现有的监测措施如司机瞭望、巡道工防护、道口监测不足以满足行车安全全过程监测。针对现有的问题,本论文提出基于双目视觉的机车运行前方障碍物检测识别研究。通过对目标序列帧的分析,提取钢轨作为限界参照物,对限界内疑似障碍物进行定位,采用基于深度学习的检测识别算法对疑似障碍物进行检测识别。本论文主要研究内容如下:(1)铁路限界模型构建。针对铁路限界模型无法准确实时建立问题,首先对视觉传感器获取的图像进行预处理,根据轨距不变特性提取图像中的钢轨作为限界建立依据,建立分段曲线模型将钢轨分为近景区域与远景区域。在近景区域采用多约束Hough变换得到直轨模型,在远景区域采用等分窗口搜索特征点输入至Catmull-Rom曲线函数中拟合弯轨模型,根据提取的钢轨曲线等比例扩充得到限界范围。(2)疑似障碍物目标定位。针对疑似障碍物目标定位中背景干扰较大,通过对双目图像序列帧预处理后初始化构建视差图,根据视差图建立V-视差图,在V-视差图中提取疑似障碍物在图像中的坐标位置,将疑似障碍物坐标位置记录并传递至疑似障碍物检测识别模块。(3)疑似障碍物检测识别。针对疑似障碍物检测识别中实时性不高的问题,采用基于深度学习的YOLO算法,对图像中疑似障碍物进行卷积特征提取后经过池化层对输入的特征图进行压缩,将所有的特征经全连接层输出预测框架进行疑似障碍物检测识别,并将上一模块中疑似障碍物目标定位与输出预测框架比较判断输出识别结果。根据不同环境下的实验结果表明,本文的基于双目视觉的机车运行前方障碍物检测识算法有较高的识别精度和较好的实时性。