本项目针对轨道交通中危及行车安全的异物侵限和周界入侵问题，引入人工智能、边缘计算、声学还原、多模态融合等多项新兴技术，采用基于深度学习卷积神经网络的图像预处理、视频智能识别、移动目标检测、运动轨迹跟踪等成套算法，研发了一套可应用于轨道交通的异物侵限及周界入侵检测系统，实现并解决了对侵入轨行区行人、落石、工器具等多类目标的自动检测、识别、追踪及报警，有效保障了列车的运行安全。此外提出了采用基于单阶段目标检测与光纤声学还原技术的多模态信息融合检测方法，极大提升了目标检测率，处于行业领先水平。 主要创新点如下： 1）提出一种基于斜率阈值的铁轨及限界检测标记算法 采用特征检测算子获取图像所有的边缘、直线等特征，然后通过设置斜率阈值筛选出感兴趣区域内符合铁轨特征的坐标集，采用曲线拟合方法在原图中生成代表铁轨的连续曲线，根据铁轨与限界的映射关系在图像中绘制出限界区域。 2）提出一种基于改进YOLOv3模型及参数的异物侵限检测方法 根据轨道交通异物侵限检测场景特点，通过添加标签平滑、改进多尺度检测、目标框维度聚类等方法对YOLOv3算法进行改进和优化，然后对YOLOv3神经网络的超参数进行改进和微调，提高对落石、工器具共6类目标的检测准确率。 3）提出一种基于行人ID跟踪的周界入侵检测方法 在采用改进YOLOv3算法实现行人检测的基础上，利用Deep-Sort算法对视频中的行人进行动态跟踪并分配唯一ID，设计撞线报警算法通过检测行人运动轨迹与静态周界区域的位置关系判断是否发生周界入侵事件。 4）提出一种基于置信度权重分配的智能视觉分析与光纤传感融合检测方案 分布式光纤振动传感采用先进的声学还原和OTDR技术实现长距离范围内多点周界入侵事件的精确定位，与智能视频分析结果通过置信度权重动态分配方式，形成一种多源信息融合的周界入侵检测识别系统，提高入侵目标检测准确度。 5）提出一种基于视频网格化的轨道交通周界入侵的智能监测方法及装置 从视频序列图像中提取背景图和铁轨边缘线的像素坐标矩阵，将背景图划分为多个网格，通过计算网格中心与铁轨边缘线的欧式距离将网格分为敏感和非敏感区域，利用基于灰度值变化的目标检测算法和入侵识别算法判断每一个网格是否有移动物体入侵。