作为在整个交通运输领域中一直占据主导地位的交通方式之一,铁路运输在使各国经济效益得到增长的同时,也使得铁路交通安全问题演变成一个全球性问题。经统计研究,对铁路安全威胁较为严重的主要是列车前方出现的不同类型障碍物。目前对铁路障碍物的处理主要采用提前检测然后报警的方法,但是常用检测方法均存在环境适应性低、抗干扰能力弱等缺点,不能很好地满足实际工作环境的需求。因此,为了辅助司机安全驾驶并尽可能减少由路轨障碍物引起的铁路交通事故。本文根据列车的实际运行情况,通过对常用铁路路轨障碍物检测方法进行分析对比,设计了由图像采集、图像预处理、铁轨框架提取、红外与可见光路障检测等功能模块构成的铁路路轨障碍物自动检测方案,并对路轨障碍物检测算法进行了实现。由于列车的实际运行环境涉及到不同时间段、不同天气、不同季节等情况,考虑到红外成像仅依赖于物体的红外辐射特性,而可见光成像系统可以获取图像丰富的纹理、颜色等信息,有助于障碍物的检测与定位。所以,为保证障碍物检测系统的稳定性以及其对不同环境的适应性。在兼顾红外和可见光成像系统各自优缺点的同时,提出了将红外和可见光成像系统结合的图像采集、处理和障碍物检测方案。根据具体的环境特性,可以人工设置红外与可见光成像系统以并行或者分时的方式进行工作。针对因常见的雾霾天气以及不同干扰因素导致的图像含噪等问题,通过图像预处理方法解决,以此来提高图像质量并方便后续障碍物检测操作的进行。对于雾霾图像,因为其表现出明显的低对比度、色彩偏差等特点,所以采用改进的暗通道算法进行去雾处理;对采集的含噪图像,通过对比分析常用滤波算法的仿真结果与时间开销,选择高斯滤波法进行图像去噪。实验仿真结果证明上述预处理算法对采集的相应问题图像均具有较好的处理效果。针对铁轨框架提取问题,考虑到实际环境中铁轨形状表现的多样性与随机性,引入了分段曲线模型与三次样条结合的方法进行铁轨提取。该方法将整个图像场景划分为远近距离两类区域,对近距离区域内的铁轨采用改进的霍夫变换(Hough Transform)算法进行检测;对远距离区域,首先采用滑动窗获取铁轨上的特征点,最后根据采集的特征点数目选择利用双曲线模型或三次样条方法获取整体铁轨框架。实验结果证明该方法能够有效地实现铁轨提取。对于不同环境下的障碍物检测问题,设置了红外与可见光两类障碍物检测算法。其中,对于采集的红外图像而言,由于障碍物的整体形状、大小、位置等信息表现显著,所以利用局部多向梯度实现障碍物检测;对可见光图像而言,其包含障碍物详细的颜色、纹理等信息,所以首先利用图像边缘信息进行障碍物粗定位,然后使用稳定图与显著图结合的方法(Region of Stability and Saliency,RSS)进行细定位。基于建立的铁轨图像数据库,采用上述设计的障碍物检测算法对不同类型的采集图像进行了仿真,仿真结果验证了所设计算法的有效性及整体技术方案设计的合理性。