随着铁路运输的多次提速,运输量也在增多,因此铁路运输安全成为一个极为重要的话题。铁路安全隐患有很多,其中一个就是信号灯的错误识别。传统的识别方法是依靠人眼来进行信号灯的识别,随着列车的多次提速,当列车达到一定速度时,人眼观察容易产生误判,司机也有可能无法及时准确地做出相应操作,存在一定的安全风险。随着机器视觉的不断发展,图像处理技术逐渐应用到各个领域行业中,将其应用到铁路运输行业中,可以减少人眼观察所产生的误差,减少铁路运输事故的发生。本文提出了一种基于机器视觉的铁路信号灯检测与识别模型。本文首先对四种颜色空间RGB、Lab、HSI和HSV,以及五种边缘算子Roberts算子、Sobel算子、Prewitt算子、LOG算子、Canny算子进行对比分析,选择出适合复杂背景铁路信号灯图像的图像空间和边缘检测算子;针对铁路信号灯的几何特征,利用腐蚀膨胀和Hough变换检测方法对铁路信号灯的几何形状提取并分析;最后提出了一种识别检测模型。该识别模型首先将铁路信号灯图像的颜色空间由RGB转换为HSV颜色空间;再通过Canny算子、腐蚀膨胀以及开闭运算等技术提取出铁路信号灯图像边缘的几何特征;进一步使用Hough变换检测出铁路信号灯圆的边缘,对其圆进行定位;最后对定位的信号灯进行颜色提取,识别出信号灯颜色,从而解读出信号灯的释义。通过实验表明,该识别模型能够有效准确地识别出铁路信号灯图像的颜色。为探索新的可行方法,本文还提出了一种基于深度学习的方法,即通过使用tensorflow对仿真的铁路信号灯图片数据进行训练,最后生成一个基于CNN的图像识别模型。通过实验表明,该基于CNN的识别模型是准确有效的。基于机器视觉的铁路信号灯检测与识别系统,主要包括了三个模块:图片识别模块、视频识别模块和线路模拟控制模块。使用本文提出的识别模型来实现信号灯图片和视频的识别,并通过调用百度地图API实现简单的铁路线路模拟。该系统可以有效地识别铁路信号灯的颜色,并且在地图上可以简单模拟铁路行驶路线。