铁路调车作业作为铁路运输过程中一个重要环节,是列车运输任务中一项技术性强、要求较高而又复杂的工作,是衡量运输过程中各项指标完成的重要标志。在调车人员培训中,手信号的准确辨识和显示是至关重要的。目前手信号培训还是依赖于传统的人工教学模式,但是由于培训人员众多,手信号类别多种多样,所以导致培训效率低下。本文将人工智能姿态识别技术应用到铁路调车领域,通过残差神经网络进行姿态特征数据的采集,并且将信号旗的颜色信息结合CamShift算法进行动态跟踪识别,最后将融合的特征数据集送入到分类器进行分类识别,从而达到手信号自主训练识别的目的。本论文主要完成以下几个方面的工作:(1)完成铁路手信号数据库样本的采集工作。通过对手信号仔细观察,结合铁路手信号的姿态特性,将铁路手信号分为静态类和动态类两种类型。其中静态类包含10种类别的静态图片,动态类包含10种类别的动态视频。(2)人体姿态关节点的识别。本论文采用开源的深度学习网络模型提取关节点,通过残差神经网络找出所有候选关节点,将节点之间的关联性作为节点之间的权重,采用图论节点的聚类方法判断关节点属于哪一个人,最后使用整数线性规划(ILP,Integer Linear Programming)进行模型求解。(3)信号旗颜色识别及跟踪。铁路手信号信号旗的颜色分为红、绿、黄三种,本设计采用CamShift算法对信号旗的颜色进行识别,并对信号旗动作进行动态跟踪,通过不断计算搜索窗的大小和中心位置,迭代计算初始值,可以有效解决目标形变和遮挡难题。(4)手信号姿态分类模型的建立与分析。将预处理好的数据送入K最近邻(KNN,K-NearestNeighbor)、逻辑回归、支持向量机等分类器中,通过交叉验证和网格搜索不断寻找参数来优化模型。最后将不同算法进行对比分析,结果表明在静态类别和动态类别中,支持向量机的表现效果更好,准确率分别可达98.999%和97.999%。