| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 传统的公路隧道火灾探测器及其弊端 | 第11-12页 |
| 1.3 图像型火灾火焰检测系统 | 第12-13页 |
| 1.4 图像型火灾火焰检测方法的研究现状 | 第13-15页 |
| 1.4.1 候选火焰区域的分割 | 第13-14页 |
| 1.4.2 火焰特征的提取 | 第14-15页 |
| 1.4.3 火焰的识别方法 | 第15页 |
| 1.5 论文的主要工作内容及章节安排 | 第15-18页 |
| 1.5.1 论文的主要工作内容 | 第15-16页 |
| 1.5.2 论文的章节安排 | 第16-18页 |
| 第2章 公路隧道火灾火焰检测方法设计 | 第18-22页 |
| 2.1 火焰检测系统的算法设计流程 | 第18-19页 |
| 2.2 火焰的基本特征 | 第19-20页 |
| 2.2.1 火焰的颜色特征 | 第19页 |
| 2.2.2 火焰的形态特征 | 第19页 |
| 2.2.3 火焰的动态特征 | 第19-20页 |
| 2.3 非火焰干扰物的种类分析 | 第20页 |
| 2.4 本章小结 | 第20-22页 |
| 第3章 视频图像的运动区域检测 | 第22-30页 |
| 3.1 运动目标检测 | 第22-26页 |
| 3.1.1 光流法 | 第22-23页 |
| 3.1.2 混合高斯模型的背景减除法 | 第23-25页 |
| 3.1.3 帧间差分法 | 第25-26页 |
| 3.2 火焰图像后处理 | 第26-29页 |
| 3.2.1 中值滤波 | 第26-27页 |
| 3.2.2 膨胀腐蚀 | 第27-28页 |
| 3.2.3 掩膜处理 | 第28-29页 |
| 3.3 本章小结 | 第29-30页 |
| 第4章 疑似火焰区域的分割 | 第30-38页 |
| 4.1 RGB颜色空间 | 第30-31页 |
| 4.2 Lab颜色空间 | 第31-32页 |
| 4.3 基于RGB与Lab颜色模型的分割方法 | 第32-37页 |
| 4.4 本章小结 | 第37-38页 |
| 第5章 火焰的特征提取 | 第38-54页 |
| 5.1 火焰的颜色特征 | 第38-41页 |
| 5.1.1 a、b分量比值 | 第38-39页 |
| 5.1.2 H分量一阶矩 | 第39-41页 |
| 5.2 火焰的形态特征 | 第41-45页 |
| 5.2.1 圆形度特征 | 第41-42页 |
| 5.2.2 矩形度特征 | 第42-44页 |
| 5.2.3 尖角数特征 | 第44-45页 |
| 5.3 火焰跳动频率特征 | 第45-51页 |
| 5.3.1 火焰跳动的方向性 | 第46-48页 |
| 5.3.2 火焰的跳动频率 | 第48-51页 |
| 5.4 本章小结 | 第51-54页 |
| 第6章 火灾火焰识别分类器设计 | 第54-76页 |
| 6.1 基于支持向量机的火灾火焰检测方法 | 第54-59页 |
| 6.1.1 支持向量机的原理 | 第54-58页 |
| 6.1.2 基于SVM的火焰检测算法流程 | 第58-59页 |
| 6.2 基于AdaBoost的火灾火焰检测方法 | 第59-65页 |
| 6.2.1 AdaBoost算法的理论基础 | 第59-63页 |
| 6.2.2 基于AdaBoost的火焰检测算法流程 | 第63-65页 |
| 6.3 实验结果与分析 | 第65-73页 |
| 6.3.1 实验视频选取 | 第65-66页 |
| 6.3.2 SVM、AdaBoost算法的参数选取 | 第66-70页 |
| 6.3.3 SVM和Adaboost识别结果对比分析 | 第70-72页 |
| 6.3.4 基于Adaboost的火焰检测结果分析 | 第72-73页 |
| 6.4 本章小结 | 第73-76页 |
| 总结与展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-83页 |
| 作者简介 | 第83页 |
