| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-8页 |
| 1 绪论 | 第8-13页 |
| 1.1 选题背景与研究意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 智能图像化火灾检测研究现状 | 第8-10页 |
| 1.2.2 深度学习在目标检测方面的研究现状 | 第10页 |
| 1.3 当前研究难点与存在问题 | 第10-11页 |
| 1.4 论文主要工作与结构安排 | 第11-13页 |
| 2 烟雾检测算法的理论基础 | 第13-36页 |
| 2.1 计算机视觉系统 | 第13-14页 |
| 2.2 传统目标检测与跟踪算法 | 第14-19页 |
| 2.2.1 传统目标检测算法 | 第14-17页 |
| 2.2.2 传统目标跟踪算法 | 第17-19页 |
| 2.3 基于深度学习的目标检测算法 | 第19-33页 |
| 2.3.1 卷积神经网络 | 第19-25页 |
| 2.3.2 深度学习框架 | 第25-29页 |
| 2.3.3 基于深度学习的目标检测算法 | 第29-33页 |
| 2.4 烟雾检测算法评价指标 | 第33-35页 |
| 2.5 小结 | 第35-36页 |
| 3 基于运动目标与特征融合的烟雾检测系统 | 第36-47页 |
| 3.1 系统整体设计 | 第36页 |
| 3.2 运动区域检测 | 第36-38页 |
| 3.3 烟雾的特征描述 | 第38-42页 |
| 3.3.1 颜色特征 | 第38-39页 |
| 3.3.2 边缘特征 | 第39-40页 |
| 3.3.3 纹理特征 | 第40-42页 |
| 3.4 训练烟雾检测模型的参数设置 | 第42-44页 |
| 3.4.1 SVM参数设置 | 第42-43页 |
| 3.4.2 NMS参数设置 | 第43-44页 |
| 3.5 实验结果与分析 | 第44-46页 |
| 3.5.1 数据集采集与构建 | 第44-45页 |
| 3.5.2 系统测试与分析 | 第45-46页 |
| 3.6 小结 | 第46-47页 |
| 4 基于KCF和 YOLOv3 的森林火灾检测算法 | 第47-59页 |
| 4.1 整体设计 | 第47-48页 |
| 4.2 YOLOv3检测线程设计 | 第48-50页 |
| 4.2.1 数据准备与环境搭建 | 第48-49页 |
| 4.2.2 网络搭建与模型训练 | 第49-50页 |
| 4.3 KCF跟踪线程设计 | 第50页 |
| 4.4 YOLOv3的优化 | 第50-53页 |
| 4.4.1 TensorRT加速 | 第50-51页 |
| 4.4.2 模型压缩 | 第51-53页 |
| 4.5 实验结果与分析 | 第53-57页 |
| 4.5.1 实验室环境下的算法验证 | 第53-56页 |
| 4.5.2 森林环境下的实用性验证 | 第56-57页 |
| 4.6 小结 | 第57-59页 |
| 5 总结与展望 | 第59-61页 |
| 5.1 工作总结 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 攻读学位期间主要研究成果 | 第67页 |
| 投稿论文 | 第67页 |
| 参与的科研与教学工作 | 第67页 |
| 获奖情况 | 第67页 |