基于机器视觉的入侵目标检测是实现铁路异物入侵自动识别与报警的主要技术手段,对于保障铁路运营安全具有重要作用。现有异物入侵检测算法准确性低,无法满足实际需求。为了进一步提升目标检测精度,充分利用基于铁路场景结构信息获取的异物尺寸,论文提出了一种基于场景理解的铁路异物入侵检测框架,研究了铁路场景基础结构信息提取算法、单视角场景图像空间信息恢复方法和已知类别与未知类别入侵目标检测算法,通过场景理解为铁路异物入侵检测提供新的解决方案。为获取铁路视频监控场景的基础结构信息,论文首先提出了一种基于深度多任务卷积网络的消隐点和钢轨检测算法,解决了传统单任务卷积网络检测结构信息精度低的问题,为空间信息的恢复奠定了基础。多任务网络由共享的基础特征提取网络和消隐点回归、钢轨分割和消隐区域分割三个子任务网络构成,其中两个分割子任务共享编码器-解码器结构,并在解码器阶段融合多尺度特征。多任务网络通过钢轨和消隐区域分割任务的辅助、多尺度特征的融合整体提升了消隐点在不同误差范围上的检测精度,增强了模型的泛化性能,节省了计算资源。为了进一步获取场景空间信息,论文提出了一种基于场景结构理解的单视角图像三维信息恢复方法,解决了铁路入侵目标空间尺寸自动估计难题。该方法针对传统相机标定算法需要人工干预和离线操作的问题,利用场景结构先验知识建立空间高度映射模型,实现图像尺度和空间尺度的相互转换。基于消隐点位置信息估计图像高度和空间高度的相对映射关系,进一步通过场景内固定铁路设备的检测估计绝对尺度映射因子,实现了目标空间尺寸的估计。通过铁路场景中的已知目标对算法的有效性进行了验证,为入侵目标的识别与分析提供空间信息。针对人、列车等已知类别目标,论文提出了一种融合场景结构信息的入侵目标检测方法,降低了现有深度学习算法的漏检率和误检率。该方法首先利用消隐点所包含的场景透视几何信息,估计场景的相对深度,定位远处小尺度目标集中分布的区域并重新缩放,通过异构尺度的均衡化使现有目标检测网络获得辅助输入,然后利用恢复的空间信息进一步分析目标的可信性。实验结果表明,异构尺度的均衡化提升了现有目标检测网络在远距离小目标上的检出率,空间信息的利用进一步减少了误检结果。针对未知类别入侵目标,论文提出了一种基于自适应分割阈值的前景目标检测算法,解决了动态背景导致检测精度低的问题。该算法利用像素在时间序列上的动态特性和分割结果的反馈,自动确定阈值动态调节因子。由于位置、颜色和亮度等特征相近的像素具有相似的环境动态,因此在调节因子的计算中融入了由超像素提供的空间信息;同时利用像素时空信息剔除初始化序列中的前景像素,避免由于运动目标存在而引起的误检。在铁路场景上的对比实验表明,所提算法提升了前景目标检测的综合准确率。在前景目标检测的基础上,通过场景理解获得未知类别异物的尺寸属性,扩充了异物入侵检测系统的报警内容。以上研究内容使论文提出的基于场景理解的铁路异物入侵检测框架实现了已知类别目标的可靠识别,获得了未知类别目标的尺寸属性,为进一步提高铁路异物入侵报警系统的性能奠定了基础。