朵建华，杨柏钟

（宁波市轨道交通集团有限公司运营分公司，浙江宁波 315500）

1 引言

地铁列车全自动无人驾驶[1]可以在降低人为失误风险的同时大大提高运营效率，进一步提升出行质量和乘坐体验，其运行安全主要依赖信号系统的可靠性。信号系统可以实现调度规划层面的无人驾驶，但只能保证监测行进列车这种合作目标，对于轨道线路上突发性、不可预测的非合作目标侵界与异常则需要车载设备实时进行感知。对轨道识别的研究无论是对于异物入侵检测，还是对于实现列车的无人驾驶，都具有重要的意义。

2 研究背景

可见光相机对目标的颜色和纹理比较敏感，可以完成目标分类、检测、分割、识别等任务，已经被广泛应用于汽车无人驾驶领域的道路车道线检测，但与道路车道线检测相比，对轨道交通领域的轨道检测研究并不多。目前，国内已经有一些基于图像的算法研究[2-3]，主要针对火车轨道、有轨电车轨道等地面轨道，根据像素点计算曲率等特征将轨道与其他场景元素区分。然而，地铁的应用场景不仅包括高架，也包括水泥混凝土浇筑的地下隧道，环境复杂度较高，轨道的特征更加难以掌控，单一模型已无法满足轨道识别的实际需求。

随着近年来卷积神经网络CNN（Convolutional Neural Networks）[4]，特别是针对于语义分割的全卷积网络（Fully Convolutional Network，FCN）[5]的发展与成熟，其超强的学习能力使其在各个领域崭露头角。例如，香港中文大学Xingang Pan等人开发的SCNN（Spatial CNN）[6]，该网络适用于连续形状结构或者大型的目标，应用在道路上的车道线检测方面取得了较好的效果。……