随着高速铁路的快速发展,列车行车安全愈发重要,但异物入侵铁路限界存在极大安全隐患,基于深度学习的目标入侵检测算法已成为了研究热点。既有深度学习算法的准确率依赖于训练集中标注样本的数量及种类的丰富程度,而在铁路运营时段无法采集足够的训练样本,导致算法难以进行测试和进一步提升。针对上述问题,本文旨在提出一种基于生成对抗网络的铁路异物入侵图像生成算法,首先基于生成对抗网络生成指定类别的入侵异物语义图像并将其翻译生成为实际图像,然后计算异物在铁路某位置的尺寸大小并将生成异物图像与铁路场景进行合成,从而人工生成逼真且多样的铁路异物入侵图像,这对于铁路周界入侵检测系统的研发和保障铁路行车安全具有重要意义。为了生成指定类别的入侵异物语义图像,本文构建了生成对抗网络模型SGAN,其生成器以随机噪声和异物类别条件为输入,基于残差网络进行图像特征提取并利用亚像素卷积进行上采样;其判别器则增加了辅助分类器以提供更强的监督学习。该模型在本文潜在入侵目标样本库上进行实验,量化结果表明模型所生成的语义图像具有较高质量且优于其他模型结果。为了将入侵异物语义图像翻译生成为实际图像,本文提出图像翻译模型TGAN。该模型为深度卷积生成对抗网络模型,其生成器以语义图像为输入,由多层残差网络模块进行特征提取并利用反卷积进行图像重建;判别器则采用多尺度模型,以适应较高分辨率下的图像判别任务;同时损失函数部分添加了感知损失项和特征匹配损失项,以提升生成样本质量。基于本文样本库的消隐实验表明,本文算法对生成样本的真实性和多样性具有较好的提升作用,同时相对于其他经典图像翻译模型效果更优。为了使生成异物在铁路场景不同位置时均具有较高的尺寸真实性,本文提出一种基于轨距常数的异物尺寸估计算法。该算法首先通过中值滤波、形态学闭运算等预处理方法突显钢轨直线特征,采用极向投影确定钢轨直线并检测轨间区域的轨枕平行线组,根据不同位置两轨直线间像素数量及轨距与异物真实尺寸的比例即可计算出该位置的异物目标像素。在铁路异物入侵图像生成实验中,多项量化指标表明本文算法生成的图像具有较高的真实性和多样性,且入侵异物具有较高的尺寸真实性,可满足周界入侵检测算法研发测试的需求,对于保证铁路行车安全具有重要意义。