铁路运输是大众出行和货物运输的重要基础设施。随着我国铁路建设的迅猛发展,运行里程不断增加和路网不断完善,铁路覆盖地形范围更加广袤,使得列车行驶环境更加复杂,限界入侵事故频发,严重威胁列车行驶安全。实现铁路入侵物检测,有效规避异物侵限事故,对保障铁路运营安全具有极其重要的意义。针对行人、交通运输工具、建筑垃圾以及自然灾害引起的崩石、泥石流等所造成的侵限行为,仅凭现有的安全监测措施已难以满足行车安全防护。学习当前国内外已有轨道交通限界监测技术,基于机器视觉结合图像处理技术已成为交通安全监测的研究热点课题,论文提出了基于机器视觉的轨道异物入侵检测算法研究。研究内容主要包括:(1)铁路侵限区域的划分。针对道砟、轨枕等噪声的影响以及传统的边缘检测算法对钢轨边缘检测效果欠佳,使得无法以钢轨边缘为基础,实现侵限区域的准确划分,为此,本文提出一种基于灰度形态学的钢轨边缘检测算法,实现钢轨边缘的自适应检测,并利用多约束霍夫变换对检测结果进行优化,实现侵限区域的准确划分。(2)入侵物的检测与侵限行为的判断。首先,研究铁路常用的入侵物检测算法,针对传统目标检测算法检测结果出现漏检、错检等问题,本文对Vibe(Visual background extractor,视觉背景提取)目标检测算法改进,加快背景模型初始化中鬼影的消除,根据自适应分割阈值实现入侵物的检测,并提出改进三帧差分积累的鬼影检测算法,对检测结果进行鬼影判断,实现入侵物的准确检测。然后,利用改进Vibe算法对KCF(Kernelized Correlation Filters,核相关滤波器)跟踪算法进行初始化,实现对入侵物的持续跟踪,并确定该入侵物到轨道中心线的距离,判断是否发生入侵行为。(3)入侵物的分类识别。针对目前入侵物分类识别研究中,入侵物判别特征单一,难以适应路轨多变环境的问题,本文提取入侵物候选区域的haar-like特征和纹理特征,采用Adaboost算法筛选出能够准确描述入侵物类型的haar-like特征和纹理特征,并形成相应的强分类器。利用级联的方式联合haar-like特征和纹理特征构建入侵物识别分类器,实现入侵物准确分类识别,将其分为入侵异物与非入侵异物。通过对采集到的待检测视频进行实验仿真,结果表明:本文基于机器视觉的铁路轨道异物入侵检测算法充分考虑铁路场景特点,处理过程中具有较高的检测精度。