随着铁路运营线路的不断增多,列车的安全运行变得日益重要,如果不能及时发现入侵铁路周界的异物,将会造成极大的经济损失甚至安全隐患。因此铁路周界的安全防护也一直受到研究人员的重视。考虑到铁路现场实际异物入侵的稀疏性、视频图像分辨率的提高以及目标检测技术的发展,基于视频的检测技术由于具有全天候、性价比高等特点成为主要研究手段。因此,依托铁路周界入侵目标检测的现场需求,本文开展了基于监控视频的铁路周界异物入侵检测研究。首先,构建了铁路周界异物入侵数据集,通过对铁路周界异物入侵数据集进行需求分析,在不同的铁路场景中做异物入侵模拟实验获取视频图像数据,经过数据扩增、数据分类与标注等方式建立了铁路周界异物入侵数据集,共包含8000张图像,该数据集可供本文的改进YOLOv3模型进行训练。其次,本文提出了一种基于双重检测算法的铁路周界异物入侵检测方法,该模型的整体思想为:先使用混合高斯模型对视频进行异物初筛,如果存在异物则启动基于改进YOLOv3模型的二次检测,反之则不启动,大大降低了计算机的消耗。其中,在异物初筛部分,结合了形态学处理与中值滤波的图像增强手段;在异物二次检测部分,通过重设先验框与更改激活函数改进了YOLOv3模型。最后,利用铁路周界现场数据,与其他相关目标检测算法对比了检测准确率和检测速度。实验结果表明,本文的双重检测算法检测速度快,准确率较高,表现效果优秀。本文通过创新性的思路,提出了一种新的铁路异物入侵检测方法。该方法考虑了铁路入侵活动的稀疏性,权衡检测精度与检测速度之间的关系,既可以继承上述算法的优点又可以弱化缺点。本算法具有较高的经济效益和可行性,为铁路周界异物入侵检测提供了新思想。