| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 主要符号对照表 | 第15-16页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 研究的背景及意义 | 第16-19页 |
| 1.1.1 火灾的危害 | 第16-17页 |
| 1.1.2 传统的火灾检测方法 | 第17页 |
| 1.1.3 基于视觉的火灾检测方法 | 第17-19页 |
| 1.1.4 基于视觉的烟雾检测的研究意义 | 第19页 |
| 1.2 视觉烟雾检测研究现状及发展趋势 | 第19-21页 |
| 1.2.1 概述 | 第19页 |
| 1.2.2 研究现状 | 第19-21页 |
| 1.2.3 发展趋势 | 第21页 |
| 1.3 主要研究内容 | 第21-22页 |
| 1.4 论文结构安排 | 第22-23页 |
| 1.5 本章小结 | 第23-24页 |
| 第二章 相关机器学习算法简介 | 第24-36页 |
| 2.1 支持向量机简介 | 第24-31页 |
| 2.1.1 感知机 | 第25-26页 |
| 2.1.2 支持向量机SVM | 第26-31页 |
| 2.2 随机森林及其特征选择简介 | 第31-35页 |
| 2.2.1 决策树算法 | 第31-34页 |
| 2.2.2 随机森林简介 | 第34-35页 |
| 2.3 本章小结 | 第35-36页 |
| 第三章 提取的视频烟雾特征 | 第36-44页 |
| 3.1 视频烟雾的静态特征 | 第36-40页 |
| 3.1.1 烟雾的颜色特征 | 第36页 |
| 3.1.2 烟雾的小波变换特征 | 第36-39页 |
| 3.1.3 烟雾的暗通道特征 | 第39-40页 |
| 3.1.4 烟雾的饱和度特征 | 第40页 |
| 3.2 视频烟雾的动态特征 | 第40-42页 |
| 3.2.1 烟雾运动检测 | 第40-41页 |
| 3.2.2 烟雾区域的不规则性——轮廓特征 | 第41-42页 |
| 3.2.3 烟雾增长率特征 | 第42页 |
| 3.3 本章小结 | 第42-44页 |
| 第四章 基于小波能量及烟雾增长率的视频烟雾检测方法 | 第44-56页 |
| 4.1 概述 | 第44页 |
| 4.2 方法的流程图及步骤 | 第44页 |
| 4.3 方法的实现过程 | 第44-50页 |
| 4.3.1 运动区域提取 | 第44-46页 |
| 4.3.2 烟雾块小波高频能量 | 第46-47页 |
| 4.3.3 烟雾凸形度和增长率分析 | 第47-50页 |
| 4.4 方法的实现结果及分析 | 第50-54页 |
| 4.4.1 烟雾区域提取结果 | 第50-51页 |
| 4.4.2 烟雾检测的结果 | 第51-53页 |
| 4.4.3 方法的实时烟雾检测流程 | 第53-54页 |
| 4.5 算法总结 | 第54-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第五章 基于随机森林特征选择的视频烟雾检测 | 第56-74页 |
| 5.1 概述 | 第56页 |
| 5.2 烟雾模式识别相关研究 | 第56-57页 |
| 5.3 方法的实现过程 | 第57-68页 |
| 5.3.1 提取的烟雾特征 | 第57-61页 |
| 5.3.2 样本准备及RF、SVM训练 | 第61-68页 |
| 5.4 方法的实验结果及分析 | 第68-71页 |
| 5.5 算法总结 | 第71-72页 |
| 5.6 本章小结 | 第72-74页 |
| 第六章 总结与展望 | 第74-78页 |
| 6.1 本文主要工作总结 | 第74-75页 |
| 6.2 不足与展望 | 第75-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-84页 |
| 在读期间发表的学术论文与取得的研究成果 | 第84页 |