城市园林条件下基于视频序列的火灾烟雾检测算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题背景 | 第9页 |
| 1.2 火灾发展过程及早期火灾检测原理 | 第9-11页 |
| 1.2.1 火灾发展过程 | 第9-10页 |
| 1.2.2 早期火灾检测原理 | 第10-11页 |
| 1.3 传统火灾探测技术简介 | 第11-12页 |
| 1.4 图像型火灾探测器简介 | 第12-13页 |
| 1.5 本文研究内容和结构安排 | 第13-15页 |
| 2 视频图像运动区域检测与分割 | 第15-25页 |
| 2.1 引言 | 第15页 |
| 2.2 视频图像采集 | 第15-16页 |
| 2.2.1 视频图像采集系统 | 第15页 |
| 2.2.2 视频图像的获取 | 第15-16页 |
| 2.3 图像的预处理 | 第16-18页 |
| 2.3.1 图像灰度化 | 第16页 |
| 2.3.2 滤波 | 第16-17页 |
| 2.3.3 直方图均衡化 | 第17-18页 |
| 2.4 运动目标检测 | 第18-24页 |
| 2.4.1 运动检测算法介绍 | 第18-19页 |
| 2.4.2 基于背景更新的视频烟雾图像检测 | 第19-24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 火灾烟雾图像的特征识别 | 第25-53页 |
| 3.1 引言 | 第25页 |
| 3.2 烟雾颜色特征提取 | 第25-30页 |
| 3.2.1 颜色空间模型简介 | 第25-26页 |
| 3.2.2 烟雾颜色特征分析 | 第26-29页 |
| 3.2.3 烟雾图像颜色特征模型算法构建 | 第29-30页 |
| 3.3 烟雾模糊特征提取 | 第30-36页 |
| 3.3.1 小波变换 | 第30-31页 |
| 3.3.2 典型基小波 | 第31-33页 |
| 3.3.3 离散小波分解 | 第33-34页 |
| 3.3.4 烟雾图像背景模糊模型算法构建 | 第34-36页 |
| 3.4 烟雾形状不规则特征提取 | 第36-41页 |
| 3.4.1 可疑区域边缘检测 | 第36-39页 |
| 3.4.2 周长和面积的计算 | 第39-40页 |
| 3.4.3 烟雾图像边界形状不规则特征算法构建 | 第40-41页 |
| 3.5 烟雾纹理特征提取 | 第41-46页 |
| 3.5.1 纹理概述 | 第41-43页 |
| 3.5.2 烟雾图像纹理模型算法构建 | 第43-46页 |
| 3.6 烟雾主运动方向特征提取 | 第46-52页 |
| 3.6.1 能量块的划分 | 第46页 |
| 3.6.2 烟雾能量块的匹配与搜索 | 第46-49页 |
| 3.6.3 烟雾主运动方向模型算法构建 | 第49-52页 |
| 3.7 本章小结 | 第52-53页 |
| 4 基于BP神经网络的火灾烟雾识别 | 第53-64页 |
| 4.1 引言 | 第53页 |
| 4.2 BP神经网络简介 | 第53-58页 |
| 4.2.1 BP神经网络典型结构 | 第53-54页 |
| 4.2.2 BP神经网络工作原理 | 第54-57页 |
| 4.2.3 BP神经网络基本特征 | 第57-58页 |
| 4.3 火灾识别系统的结构学习 | 第58-60页 |
| 4.3.1 BP神经网络的输入信号 | 第58-59页 |
| 4.3.2 BP神经网络隐含层和节点数的选择 | 第59-60页 |
| 4.3.3 BP神经网络的输出信号和结构的确定 | 第60页 |
| 4.4 实验结果及分析 | 第60-63页 |
| 4.4.1 学习和训练样本选择 | 第60-62页 |
| 4.4.2 测试样本及数据分析 | 第62-63页 |
| 4.5 本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读学位期间发表的学术论文 | 第69-70页 |
| 致谢 | 第70-71页 |
