1. 研究目的与意义（文献综述）

1.1研究的意义

随着我国铁路电气化快速稳定发展，高速铁路覆盖范围逐步增大，列车的运行速度不断提高，为了保证铁路列车能按规定的速度安全、平稳运行，我们必须加强铁路沿线安全监测工作的落实和维护[1]。

据美国联邦铁路局统计，在 2005 年内由铁路异物入侵造成的交通事故多达 584起，占据 2005 年内所有铁路交通事故的72.3%，伤亡人数多达1292人。此外，据我国上海铁路局公布的 2005 年交通事故数据 ，因为车辆、行人的入侵行为造成的铁路交通事故多达65起；仅在 2001 年共造成 8409人死亡，3540人受到重伤，造成经济损失多达18 亿元。据统计，在铁路异物入侵而导致的铁路交通事故中，主要包括贪玩的学生、铁路工人，以及穿越铁路轨道或在轨道上逗留玩耍的人；还有自然灾害如泥石流、山体滑坡造成的掩埋铁轨以及铁路轨道路基坍塌等。目前而言，视频监控因其监测直观，监控范围大，己成为一种重要的安全保障方法而陆续应用于铁路安全监控系统。但现行的视频监控系统大都需要专人监看，监控人员的工作强度很大。可见，研究开发基于机器视觉的异物监测系统，以算法代替人工进行侵限异物检测，具有其必要性。近年来，关于异物侵限检测方面的算法已有不少研究，提出了一些改进的或者新的方法，对于异物的检测也取得了一些实质性的进展，但是仍存在许多不足之处，尤其是夜间等光线不足或者变化大的条件下，对异物检测的效果不佳.

2. 研究的基本内容与方案

本文希望通过将深度神经网络算法引入到铁路侵限异物监测工作中，利用深度神经网络可以提取更本质的样本特征之特性，更好地完成铁路异物检测工作，维护列车运行安全。

本文研究的是基于深度神经网络的铁路异物检测算法，即通过己训练的深度神经网络对铁路现场视频图像进行分类，从而判断出图像中是否含有异物。换言之，所谓铁路异物检测，即是判断铁路线路是否被占用以及识别出占用线路的物体种类的过程。占用线路的物体可分为列车和入侵异物两类，本文选用异物作为研究类别，主要判断是否有人进入铁路，设计出最适合的深度神经网络算法，实现对火车和闯入人的保护。

深度卷积神经网络是一种多层的神经网络模型，设计时需要对整个网络的层数，每层神经网络的结构，并对各层网络之间的权值和偏置值进行计算和调整优化。首先，训练好相关异物网络模型，在得到训练好的网络模型之后，然后该网络模型来提取检索库中异物的特征，进行异物检测。该系统的模型大致如图1所示。

3. 研究计划与安排

第1－3周：查阅相关文献资料，明确铁路异物处理相关研究内容，了解深度学习，图像处理相关理论基础。确定方案，完成开题报告。

第4－5周：熟悉掌握深度学习理论，包括cnn等神经网络，熟悉开发环境。

第6－9周：编程实现各算法，并进行仿真调试。

4. 参考文献（12篇以上）

[1]刘文祺. 基于深度神经网络的铁路异物检测算法[d].北京交通大学,2016.

[2]王斌.基于深度学习的行人检测[d].北京交通大学,2015.

[3]基于机器视觉的铁路异物侵限分布式智能监控技术研究[d]. 马宏锋.兰州交通大学 2014