随着我国列车运营里程的增长,铁路站场数量增多且调度任务加重,铁路站场内具有列车数量多、轨道线路复杂以及工作人员随意走动等特点,给列车调度带来严重的安全隐患。因此,对站场内列车前方障碍物进行快速准确检测具有重要意义。现行铁路场景的目标检测大多是基于图像的,通过相机获取图像的质量依赖于天气、光照等环境因素,且图像检测结果缺乏方位信息,无法满足对铁路站场场景感知的要求。针对上述问题,本文提出利用激光雷达与相机融合的铁路站场内障碍物检测方法。该方法能够同时结合激光雷达与相机的优点,获取目标的类别与方位信息,并根据融合后的目标方位信息判断该目标是否为障碍物,为列车的安全调度打下坚实的基础。本文主要的研究内容如下:考虑到铁路站场场景的特殊性,本文利用基于知识规则匹配的三维点云目标检测方法。为提高方法的时效性,本文在进行点云分割之前对原始三维点云进行滤波操作,以达到点云降采样的目的;然后通过对轨道点云进行直线拟合并利用拟合的轨道直线进行背景点云分割;其次,利用聚类算法对分割后的三维点云进行聚类处理,并对聚类后所得独立点云簇进行特征提取;最后通过将提取的特征与设计的知识规则进行匹配从而完成三维点云的目标检测。实验表明,该方法具有较高的准确性。考虑到实际使用过程中的时效性问题,本文在YOLOv4模型训练的基础上,利用剪枝原理对模型进行了轻量化处理,提升了目标检测时效性。基于现场采集的图像数据,利用YOLOv4模型完成基于图像目标检测模型的基础训练;然后对模型的批归一化层中γ系数进行稀疏训练,根据γ系数在模型批归一化层中的分布情况,对基础模型进行通道与层剪枝;最后通过对剪枝后的模型进行再训练微调,以提升模型精度。实验结果表明,在保证目标检测精度的情况下,模型的速度大大提升,可以较好地满足实时性需求。针对上述目标检测结果,设计了一种决策层次的融合算法,完成了基于激光雷达与相机融合的铁路站场内障碍物检测。由于不同传感器具有不同的空间位姿以及数据采集频率,本文首先通过采集棋盘格数据完成相机的内参标定工作,在此基础上,通过靶标在三维点云与图像中的特征一致性原理求解出激光雷达与相机之间的外参矩阵;并通过激光雷达与相机之间的工作频率关系完成激光雷达与相机之间的时间对齐;然后通过激光雷达与相机之间的外参矩阵,将目标在三维空间中的特征点投影至图像,并设计融合算法完成基于三维点云与图像检测结果之间的融合,进而根据融合结果判断该目标是否为障碍物;最后通过实验验证了该融合方法的有效性,取得了优于单一传感器的检测效果,进一步提升了铁路站场场景感知的精度,具有较高的实用价值。