| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 课题的研究背景及意义 | 第8-10页 |
| 1.1.1 前言 | 第8页 |
| 1.1.2 传统的火灾探测器类型及其局限性 | 第8-9页 |
| 1.1.3 视频型火灾探测器的优势 | 第9-10页 |
| 1.2 视频型火灾检测算法的国内外发展现状 | 第10-11页 |
| 1.3 本文的结构安排 | 第11-13页 |
| 第2章 火焰前景提取算法 | 第13-28页 |
| 2.1 几种现有的火焰前景提取算法及其缺陷 | 第13-20页 |
| 2.1.1 相邻帧差法 | 第13-14页 |
| 2.1.2 背景差法 | 第14-15页 |
| 2.1.3 混合高斯背景建模法 | 第15-17页 |
| 2.1.4 边缘检测的方法 | 第17-19页 |
| 2.1.5 光流法 | 第19-20页 |
| 2.2 本文的火焰前景提取算法 | 第20-25页 |
| 2.2.1 算法概述 | 第20页 |
| 2.2.2 瞬时运动区域检测 | 第20页 |
| 2.2.3 火焰颜色区域检测 | 第20-21页 |
| 2.2.4 初级火焰疑似区域的确定 | 第21-22页 |
| 2.2.5 火焰背景建模算法 | 第22-24页 |
| 2.2.6 火焰前景的确定 | 第24页 |
| 2.2.7 火焰前景提取的算法流程图 | 第24-25页 |
| 2.3 本文火焰前景提取算法与其他算法效果对比 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 火焰特征提取算法 | 第28-37页 |
| 3.1 颜色检测 | 第28-29页 |
| 3.2 运动特征检测 | 第29-31页 |
| 3.3 闪烁频率检测 | 第31-32页 |
| 3.4 区域颜色变化特征检测 | 第32-33页 |
| 3.5 纹理特征检测 | 第33-34页 |
| 3.6 轮廓粗糙度 | 第34-35页 |
| 3.7 质心稳定性特征 | 第35-36页 |
| 3.8 本章小结 | 第36-37页 |
| 第4章 基于机器学习的火焰特征分类算法 | 第37-47页 |
| 4.1 机器学习中的几个重要概念 | 第37-39页 |
| 4.1.1 归纳偏好 | 第37页 |
| 4.1.2 经验误差与过拟合 | 第37-38页 |
| 4.1.3 评估方法 | 第38-39页 |
| 4.2 决策树 | 第39-40页 |
| 4.3 支持向量机 | 第40页 |
| 4.4 集成学习Adaboost算法 | 第40-42页 |
| 4.4.1 集成学习 | 第40-41页 |
| 4.4.2 Boosting和Adaboost算法 | 第41-42页 |
| 4.5 基于AdaBoost的火焰特征分类算法的具体实现 | 第42-46页 |
| 4.5.1 样本的获取 | 第42-43页 |
| 4.5.2 训练分类器 | 第43-46页 |
| 4.5.3 使用分类器 | 第46页 |
| 4.6 本章小结 | 第46-47页 |
| 第5章 性能分析 | 第47-51页 |
| 5.1 分类器的泛化能力分析 | 第47-49页 |
| 5.1.1 泛化能力度量的常用指标 | 第47-48页 |
| 5.1.2 本文分类算法的泛化能力分析 | 第48-49页 |
| 5.2 实际隧道场景中的误报率 | 第49-50页 |
| 5.3 算法计算速度 | 第50-51页 |
| 第6章 工作总结 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 发表论文和参加科研情况说明 | 第55-56页 |
| 致谢 | 第56-57页 |