| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 传统火灾烟雾检测方法 | 第14-15页 |
| 1.2.2 基于视频图像处理的烟雾检测方法 | 第15-18页 |
| 1.3 烟雾检测目前存在的难点 | 第18-19页 |
| 1.4 本文的主要研究工作 | 第19页 |
| 1.5 章节安排 | 第19-21页 |
| 第2章 视频烟雾检测方法的相关理论 | 第21-37页 |
| 2.1 引言 | 第21页 |
| 2.2 运动检测方法 | 第21-27页 |
| 2.2.1 光流法 | 第21页 |
| 2.2.2 帧差法 | 第21-23页 |
| 2.2.3 背景减除法 | 第23-24页 |
| 2.2.4 形态学处理 | 第24-27页 |
| 2.3 小波分析 | 第27-29页 |
| 2.4 灰度共生矩 | 第29-30页 |
| 2.5 机器学习方法 | 第30-36页 |
| 2.5.1 SVM分类器 | 第30-33页 |
| 2.5.2 Adaboost算法 | 第33-34页 |
| 2.5.3 BP神经网络分类器 | 第34-36页 |
| 2.6 小结 | 第36-37页 |
| 第3章 基于多特征融合和BP集成分类器的烟雾检测 | 第37-48页 |
| 3.1 引言 | 第37页 |
| 3.2 混合高斯背景建模的烟雾运动区域提取 | 第37-42页 |
| 3.2.1 图像预处理 | 第37-39页 |
| 3.2.2 运动检测过程 | 第39-41页 |
| 3.2.3 提取运动区域 | 第41-42页 |
| 3.3 烟雾运动区域的多特征融合 | 第42-46页 |
| 3.3.1 能量特征提取 | 第42-44页 |
| 3.3.2 高频子图特征提取 | 第44页 |
| 3.3.3 纹理和亮度特征提取 | 第44-46页 |
| 3.4 基于Adaboost算法的BP神经网络集成分类器 | 第46-47页 |
| 3.4.1 BP神经网络集成算法框图 | 第46页 |
| 3.4.2 算法分析 | 第46-47页 |
| 3.5 小结 | 第47-48页 |
| 第4章 实验分析 | 第48-57页 |
| 4.1 实验环境 | 第48页 |
| 4.2 烟雾与非烟雾视频库 | 第48-49页 |
| 4.3 烟雾检测流程 | 第49-50页 |
| 4.4 实验结果与分析 | 第50-56页 |
| 4.4.1 不同特征组合的实验分析 | 第50-54页 |
| 4.4.2 不同分类器的实验分析 | 第54-56页 |
| 4.5 小结 | 第56-57页 |
| 结论 | 第57-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 附录 A 攻读硕士学位期间发表论文目录 | 第65-66页 |
| 附录 B 攻读硕士学位期间发所参与的科研活动 | 第66页 |