王钏文，王 磊，黄仁欢，覃 锐

（通号万全信号设备有限公司，杭州 310000）

列车在自动驾驶过程中的安全性，主要依赖于列车自动保护系统（ATP）。而ATP强调的是车距与行车授权，对于行车过程中的如行人闯入等突发状况，无法做到有效的防护与应对。因此列车在途障碍物检测作为一种重要的列车安全防护手段，早已成为列车全自动运行研究过程中一个重要的分支。

对于列车在途障碍物检测的研究，始于20世纪70年代，研究初期，主要利用各类传感器，如激光雷达传感器和视觉传感器，以及各种传统图像处理算法，如HOG特征和SVM分类器等。由于硬件手段及软件算法限制，当时并未获得较为理想的检测效果。2006年深度学习理论的提出，及其后硬件条件的不断更新，为列车在途障碍物检测，尤其是中低速列车的在途障碍物检测研究注入了新的血液。2015年YOLO检测算法的提出，为列车在途障碍物检测提供了新的解决方案。YOLO检测算法亦属于卷积神经网络，但由于对传统的卷积神经网络结构进行了优化，在确保准确率的同时，极大程度上缩短了检测时间。YOLOv3作为目前较优的YOLO检测算法版本，其理论识别速率为45 F/s（YOLOv3-320），官方给出的预训练模型可识别超过100种不同物体，极为适合中低速列车在途障碍物识别使用。

本文以YOLOv3检测算法为基础，在其原有的预训练模型基础上做迁移学习，并结合freeman链码边缘检测方法，提出一种基于YOLOv3的中低速列车在途障碍物检测方法。

1 方法提出

1.1 YOLOv3介绍

YOLOv3网络由多个按特定顺序排列的1×1和3×3卷积层组成。……