| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题的研究背景和意义 | 第9页 |
| 1.2 传统火灾探测器概述 | 第9-11页 |
| 1.3 基于视频的烟雾检测算法研究现状 | 第11-12页 |
| 1.4 论文的主要工作及结构安排 | 第12-15页 |
| 1.4.1 本文的研究内容 | 第12-13页 |
| 1.4.2 本文的结构安排 | 第13-15页 |
| 第二章 运动目标检测 | 第15-22页 |
| 2.1 帧差法 | 第15页 |
| 2.2 光流法 | 第15-16页 |
| 2.3 背景差分法 | 第16-20页 |
| 2.3.1 混合高斯模型 | 第16-19页 |
| 2.3.2 自适应的混合高斯模型 | 第19-20页 |
| 2.4 高斯平滑 | 第20-22页 |
| 第三章 可疑区域提取 | 第22-30页 |
| 3.1 基于颜色特征的筛选 | 第22-25页 |
| 3.1.1 RGB色彩空间 | 第22-23页 |
| 3.1.2 YCr Cb色彩空间 | 第23-25页 |
| 3.2 基于纹理特征的筛选 | 第25-30页 |
| 3.2.1 灰度共生矩阵 | 第25-26页 |
| 3.2.2 基于灰度共生矩阵的纹理特征 | 第26-30页 |
| 第四章 Gabor统计纹理特征 | 第30-34页 |
| 4.1 Gabor的统计纹理特征 | 第30-32页 |
| 4.1.1 二维Gabor滤波器 | 第30-32页 |
| 4.2 Gabor统计纹理特征提取 | 第32-34页 |
| 第五章 支持向量机 | 第34-47页 |
| 5.1 主成分分析方法 (PCA) | 第34-35页 |
| 5.1.1 主成分的概念 | 第34-35页 |
| 5.1.2 PCA降维过程 | 第35页 |
| 5.2 SVM分类器 | 第35-40页 |
| 5.2.1 SVM线性二分类器 | 第36-38页 |
| 5.2.2 SVM非线性分类器 | 第38-39页 |
| 5.2.3 引入松弛变量解决离群点 (outliers) 问题 | 第39-40页 |
| 5.3 SVM分类器参数优化 | 第40-42页 |
| 5.3.1 交叉验证方法 | 第41页 |
| 5.3.2 网格搜索 | 第41页 |
| 5.3.3 粒子群优化算法 | 第41-42页 |
| 5.4 实验过程与结果分析 | 第42-47页 |
| 第六章 动态特征 | 第47-49页 |
| 6.1 面积增长率 | 第47页 |
| 6.2 基于Gabor小波的主运动方向 | 第47-48页 |
| 6.3 圆形度变化率 | 第48-49页 |
| 第七章 数据实验的结果和分析 | 第49-53页 |
| 7.1 数据实验结果 | 第49-52页 |
| 7.2 实验结果分析 | 第52-53页 |
| 第八章 总结和展望 | 第53-55页 |
| 8.1 工作总结 | 第53页 |
| 8.2 工作展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 附录 | 第61-73页 |