作为交通运输的重要组成部分,铁路轨道交通近年来迅猛发展,但列车前方轨道障碍物极大影响了轨道交通安全。随着计算机视觉领域的发展,综合考虑列车前方轨道障碍物检测的准确性、实时性和经济性,本文提出了基于车载前置相机成像的轨道障碍物检测方法。在目标检测过程中,选择YOLO系列模型进行实验研究,并在YOLOv3-SPP基础上进行模型改进,融合网络模型浅层细节特征新增一个检测头,增强对小目标的检测能力。同时利用轨道检测对列车前方进行预警区域限界,避免超出预警区域的障碍物引起误报警,提高轨道障碍物检测预警的实际应用性。⑴车载相机采集列车前方轨道图像并进行预处理。经过图像灰度化,滤波去噪分析,图像增强,边缘检测一系列预处理,根据轨道呈现的显著几何特征,采用霍夫变换实现轨道边缘提取。为后面对列车前方以轨道边缘为基础的预警区域限界做准备。⑵对基于深度学习的目标检测方法论述分析。介绍卷积神经网络的基本内容,对比分析了经典深度学习目标检测模型,选择YOLO系列模型进行应用研究。针对模型存在小目标漏检问题,在YOLOv3-SPP基础上进行模型改进,融合网络模型浅层细节特征新增一个检测头Predict4,相应改进SPP结构,增强模型对小目标的检测能力。同时在PASCAL VOC数据集基础上构建适用于轨道障碍物检测的新数据集,用K-means算法生成新的anchors锚框,为模型训练和实验提供支撑。⑶对改进的YOLOv3-SPP模型进行训练,根据评价指标m AP和Loss值判断模型训练效果良好。对YOLO系列模型特别是YOLOv3-SPP模型改进前后进行对比实验分析,测试实验结果表明改进的YOLOv3-SPP模型进一步提升了对小目标的检测能力。将轨道检测与目标检测相结合,实现障碍物检测预警区域限界,提高了基于车载前置相机成像的轨道障碍物检测方法的实际应用性。