铁路承载着国民流动和货物运输的重大使命。我国铁路不仅里程长,且跨越不同的地形,由山体滑坡、塌方、泥石流等自然灾害、前方车列、人、物等随机异物造成的限界入侵事件频发,严重威胁着列车行车安全。在高速行车环境下,仅依靠司机视觉、巡道工和单点监控防护的方式已难以实现对行车环境的实时可靠监测。随着轨道交通全自动驾驶信号系统的研发和铁路视觉监测技术的应用,实现行车前方铁路限界环境的智能化监测已然成为研究的热点课题,具有重要的现实意义。本文在对当前国内外已有轨道交通限界监测技术研究和对比的基础上,采用基于车载单目视觉的方式来实现列车运行前方限界内障碍物的检测和识别。通过对目标序列帧的分析,依据路轨环境特征,着力于解决铁路限界区域的识别和追踪、疑似障碍物前景目标的定位提取和侵限障碍物的检测识别三个关键步骤。本文主要研究内容包括:(1)铁路限界检测跟踪算法研究。针对目前以静态直线为主的限界模型准确性不足的问题,本文以铁路轨道线为基准,通过像素比例变换来核定限界范围,提出了分段可切换曲线模型来实现轨道线的动态跟踪与描述。算法在近景区域以改进Hough变换得到直轨参数,在远景区提出基于Hu不变矩的可漂移窗口搜索算法得到轨道特征点,以此拟合远景轨道模型。最后,依据模型切换策略和仿射变换原理实时更新限界范围。(2)疑似障碍物目标定位提取算法研究。目前研究中所采用的前景目标检测方法在动态路轨环境中背景干扰较大,本文提出以帧间差分法为基础,根据轨间纹理可知的特性,引入数学形态学重构轨间纹理,以实现差分补偿,通过灰度差分累积值在疑似障碍物目标位置具有突变点来确定前景目标位置,实现疑似目标的定位和分割提取。(3)限界内障碍物检测识别算法的研究。针对目前研究中存在目标辨识判别特征单一,难以适应路轨多变环境的问题,本文分析了干扰障碍物目标辨识的主要对象,针对性地融合了多类形状特征和区域纹理特征来丰富特征类型,采用Adaboost算法将由多类特征确定的分量分类器集成为强分类器以实现疑似目标的辨识,有效提高了识别的准确度。通过对不同场景下的实验分析表明,本文的算法在处理过程中可有效提高实时检测的精确度,且对不同场景环境具有较好的适应能力。