据统计,截至2018年底,我国高速铁路运营里程超过2.9万公里。随着路网规模的扩大和列车运行速度的提高,高铁周界入侵检测被提到了新的高度。目前,高铁周界入侵检测缺乏成熟、可靠的技防手段,仅依靠人力监测,既耗费了大量的劳动力,又会导致漏检问题产生。利用现有全路布设的高铁综合视频监控系统提高周界安防水平是高铁周界安防一个行之有效的解决思路。由于摄像头安置位置较高,且摄像头位置较远(每隔200米设置一个),使得视频中存在大量的小目标,一般的图像检测方法很难检测这些小目标。此外,需要对周界入侵进行实时的报警,目前的目标检测方法无法实现。在保证检测准确率的同时,提升检测的速度是周界入侵检测的难点。针对上述问题,本文的主要工作有:(1)由于检测是在视频上进行的,使用图像上的目标检测方法会丢失帧间运动信息,因而提出了运动分支与目标分支融合的方法。运动分支使用运动前景检测算法;目标分支使用基于深度学习的两阶段目标检测方法。通过融合两个分支的检测结果,判断检测的目标是否是入侵目标。该方法既可以有效检测入侵目标,又排除了对无关运动物体或静止物体的误检。(2)针对视频中存在的大量小目标,目标检测方法会导致漏检的问题,在目标分支提出了改进的Cascade Mask R-CNN算法。该模型使用级联的结构获得目标的准确定位,同时,在原始模型的基础上增加了基于特征金字塔网络的多尺度特征提取模块和基于空洞金字塔汇聚子网络的空间上下文增强模块。在实际高铁周界视频数据集中验证了模型有效性。结果表明,该模型可实现不同场景下的铁路周界入侵检测,同时,相较于原始模型,新模型对小目标检测的F-measure提高了0.24。(3)针对目标分支检测速度慢,无法满足铁路周界检测实时性的问题,提出了基于光流的加速算法,利用视频帧间大量的冗余信息实现。改进后的算法每隔十帧确定一个关键帧,在关键帧上使用卷积操作提取特征,在非关键帧上使用基于光流的特征扭曲算法,将关键帧特征图扭曲到当前帧,得到当前帧特征图。由于光流和扭曲的速度远比卷积操作快,因而可以达到加速的效果。该方法对检测准确率与检测速度进行了平衡,在很小的检测准确率的代价下极大提升了检测速度。