铁路周界入侵目标多尺度特征感知算法

准确识别侵入周界范围内的人和大型牲畜是铁路周界入侵视频智能分析技术的重点内容，对保障铁路安全运营具有重要意义。基于现有目标检测算法难以处理铁路监控场景中入侵目标呈现显著尺度变化的状况，提出一种多输入双输出神经网络(Multiple Input Double Output Network,MIDO-Net)和基于自适应特征加权融合的目标多尺度特征感知算法。首先，通过MIDO-Net多层级联的多输入和双输出网络结构，提取图像目标更丰富的多尺度特征信息；其次，依据骨干网络多阶段的特点，先将多级特征上采样至统一分辨率，再利用注意力模块和自适应参数对多级特征进行加权；然后，将特征输入到检测头中完成铁路周界入侵的识别；最后，通过视觉目标类别(Visual Object Classes,VOC)公共数据集和制作的多场景、多尺度铁路异物侵限数据集，对算法进行验证。结果表明：提出的多尺度特征感知算法在VOC公共数据集中的检测精确率达83.3%，在多场景、多尺度铁路异物侵限数据集中的检测精确率达91.1%，平均召回率达56.2%，均优于当前广泛使用的各种特征提取骨干网络；算法检测速率为45帧·s^...