致谢 | 第3-4页 |
摘要 | 第4-5页 |
Abstract | 第5-6页 |
第一章 绪论 | 第9-17页 |
1.1 研究背景与意义 | 第9-10页 |
1.2 国内外研究现状 | 第10-15页 |
1.2.1 森林火灾监测国内外研究现状 | 第10-12页 |
1.2.2 火焰视频识别研究现状 | 第12-14页 |
1.2.3 火焰视频识别存在的不足 | 第14-15页 |
1.3 本课题的来源与主要研究内容 | 第15-17页 |
1.3.1 课题来源 | 第15页 |
1.3.2 主要内容 | 第15-17页 |
第二章 疑似火焰区域提取 | 第17-34页 |
2.1 疑似火焰颜色像素检测 | 第17-21页 |
2.1.1 RGB颜色模型 | 第17-18页 |
2.1.2 HSV颜色模型 | 第18-19页 |
2.1.3 从RGB到HSV的转换 | 第19页 |
2.1.4 RGB和HSV颜色模型相结合 | 第19-21页 |
2.2 疑似火焰运动像素检测 | 第21-29页 |
2.2.1 帧差法 | 第21-24页 |
2.2.2 背景差分法 | 第24-29页 |
2.2.3 光流法 | 第29页 |
2.3 基于颜色与运动的疑似火焰区域提取 | 第29-33页 |
2.3.1 基于数学形态学的图像处理技术 | 第29-31页 |
2.3.2 颜色与运动相结合的方法 | 第31-33页 |
2.4 本章小结 | 第33-34页 |
第三章 森林火灾火焰特征提取 | 第34-45页 |
3.1 基于滑动时间窗的视频片段的划分 | 第34页 |
3.2 火焰静态特征 | 第34-38页 |
3.2.1 圆形度特征 | 第34-36页 |
3.2.2 纹理特征 | 第36-38页 |
3.3 火焰动态特征 | 第38-44页 |
3.3.1 火焰面积变化特征 | 第38-40页 |
3.3.2 形状相似性特征 | 第40-42页 |
3.3.3 闪烁频率特征 | 第42-44页 |
3.4 本章小结 | 第44-45页 |
第四章 基于AdaBoost-BP算法的森林火焰识别 | 第45-63页 |
4.1 神经网络 | 第45-48页 |
4.1.1 人工神经网络的结构和特点 | 第45-47页 |
4.1.2 BP神经网络的结构 | 第47-48页 |
4.2 AdaBoost算法原理 | 第48-50页 |
4.3 基于AdaBoost-BP算法的林火火焰识别 | 第50-51页 |
4.4 仿真结果分析 | 第51-62页 |
4.4.1 时间窗长度、AdaBoost算法迭代次数、BP神经网络隐层节点数的确定 | 第53-59页 |
4.4.2 AdaBoost-BP算法与单独BP神经网络算法的比较 | 第59-62页 |
4.4.3 视频片段与相邻帧特征提取方法识别性能比较 | 第62页 |
4.5 本章小结 | 第62-63页 |
第五章 森林火焰识别的软件实现 | 第63-75页 |
5.1 编程环境及语言介绍 | 第63-65页 |
5.1.1 软件架构 | 第63-64页 |
5.1.2 软件Visual C++和MATLAB简介 | 第64-65页 |
5.2 Visual C++与MATLAB混合编程实现方法分析 | 第65-67页 |
5.2.1 Visual C++与MATLAB混合编程的优点 | 第65-66页 |
5.2.2 Visual C++与MATLAB接.的实现方法 | 第66-67页 |
5.3 Visual C++ 6.0 与MATLAB 2010b接.的具体实现 | 第67-74页 |
5.3.1 Visual C++与MATLAB接.配置 | 第68-69页 |
5.3.2 动态链接库的生成 | 第69页 |
5.3.3 动态链接库的调用 | 第69-71页 |
5.3.4 独立应用程序的发布 | 第71-72页 |
5.3.5 独立程序的运行 | 第72-74页 |
5.4 本章小结 | 第74-75页 |
第六章 总结与展望 | 第75-77页 |
6.1 本文主要研究工作与研究结论 | 第75-76页 |
6.2 本文主要创新点 | 第76页 |
6.3 进一步研究建议 | 第76-77页 |
参考文献 | 第77-83页 |
附录1 测试样本数据 | 第83-86页 |
附录2 部分彩色原图 | 第86-94页 |
附录3 攻读学位期间发表的学术论文 | 第94页 |