中国正式走入高铁时代以来,铁路运行安全一直是关系到国家经济发展、安全和国计民生的一个重要问题。为了保障铁路安全,对铁路一系列基础设施的检测尤为重要,其中包括轨道缺陷检测和扣件缺损检测。其中钢轨和扣件定位主要是依赖于轨道几何的先验知识:铁轨在图像中间部分且扣件紧挨铁轨两侧等距离分布,然后在预测范围内进行模板匹配。但是实际的铁路线路中有大量的道岔和有砟区域,无法利用轨道的几何先验,因此,本文将针对道岔场景和有砟场景的识别任务展开研究。对于铁路扣件定位问题,课题组前期的模板匹配方法利用轨道几何先验来提高滑动窗口搜索的效率。但在道岔或者有砟轨道场景中,无法充分利用轨道几何先验,只能进行全局搜索,无法满足实时检测的需要。因此,针对道岔或者有砟轨道场景中的扣件定位问题,还需要更好的扣件定位方法,随着深度学习技术在计算机视觉领域的成功,本文将尝试利用深度学习技术解决复杂场景中的扣件定位问题,以期提高效率和准确率。论文的主要工作:1、提出了基于道岔几何特征的道岔场景识别方法,该方法利用了道岔图像中包含有多条轨道,而非道岔图像则仅有一条轨道的特点,提出了基于几何特征的道岔场景识别方法。该方法采用LSD(Line Segment Detector)直线检测算法和Hough直线检测算法进行钢轨检测,并对检测出的直线给出判别准则,来判定是否为道岔场景。实验结果验证所提方法的有效性。2、提出了基于纹理特征的有砟场景识别方法,该方法利用有砟场景中石子杂乱无章的特点,提取边缘特征并进行统计分析,从而判断出该图像是有砟还是无砟场景。实验结果验证了所提方法的有效性。3、提出了基于深度学习的扣件定位方法,首先收集标记了 1000张铁轨图像中所有扣件位置,将其作为训练集,在YOLOv2网络进行训练;然后对测试图像进行道岔场景识别,如果是单轨图像,将铁轨及两侧扣件的可能位置范围作为候选区域,否则,将整幅图作为扣件候选区域;最后将在候选区域采用深度学习网络进行扣件定位。该方法取得了很好的实验结果,实现了道岔区域的扣件定位。