基于多特征的视频烟雾检测算法
摘要 | 第3-4页 |
abstract | 第4页 |
第1章 绪论 | 第8-14页 |
1.1 课题的研究背景及意义 | 第8页 |
1.2 传统的火灾检测技术 | 第8-9页 |
1.3 基于视频监控的火灾检测技术 | 第9-12页 |
1.3.1 视频火灾烟雾检测技术国内外现状 | 第10-11页 |
1.3.2 视频火灾检测技术的优势 | 第11-12页 |
1.4 本文的结构安排 | 第12-14页 |
第2章 疑似烟雾区域的提取 | 第14-32页 |
2.1 数字图像处理的基本方法 | 第14-17页 |
2.1.1 形态学腐蚀 | 第14-15页 |
2.1.2 形态学膨胀 | 第15-16页 |
2.1.3 高斯滤波 | 第16-17页 |
2.2 已有的烟雾前景提取算法及其缺陷 | 第17-22页 |
2.2.1 帧差法 | 第17-19页 |
2.2.2 背景减除法 | 第19-21页 |
2.2.3 背景均值减除法 | 第21页 |
2.2.4 光流法 | 第21-22页 |
2.3 本文的烟雾前景提取算法 | 第22-26页 |
2.3.1 混合高斯背景建模法 | 第23-25页 |
2.3.2 改进的背景均值减除法 | 第25页 |
2.3.3 两种方法的融合 | 第25-26页 |
2.4 运动区域轮廓的提取 | 第26-30页 |
2.4.1 轮廓提取的过程 | 第27-28页 |
2.4.2 轮廓提取的结果 | 第28-30页 |
2.5 本章小结 | 第30-32页 |
第3章 烟雾特征提取算法 | 第32-48页 |
3.1 颜色特征 | 第32-35页 |
3.1.1 彩色模型 | 第32-35页 |
3.1.2 烟雾颜色特征的判定 | 第35页 |
3.2 模糊特征 | 第35-38页 |
3.2.1 小波变换原理 | 第36页 |
3.2.2 烟雾模糊性特征的判断 | 第36-38页 |
3.3 纹理特征 | 第38-43页 |
3.3.1 LBP纹理特征 | 第39-40页 |
3.3.2 灰度共生矩阵 | 第40-42页 |
3.3.3 LBP和灰度共生矩阵相结合的方法 | 第42-43页 |
3.4 边缘特征向量 | 第43-44页 |
3.5 光流矢量特征 | 第44-46页 |
3.4.1 光流法的选择 | 第44-45页 |
3.4.2 光流矢量的提取 | 第45-46页 |
3.6 本章小结 | 第46-48页 |
第4章 基于多特征的烟雾检测算法流程 | 第48-60页 |
4.1 机器学习中几个重要的概念 | 第48-50页 |
4.1.1 归纳偏好 | 第48页 |
4.1.2 欠拟合和过拟合 | 第48-49页 |
4.1.3 评估方法 | 第49-50页 |
4.2 机器学习分类器的选择 | 第50-53页 |
4.2.1 决策树 | 第50-51页 |
4.2.2 支持向量机 | 第51-52页 |
4.2.3 集成学习Adaboost算法 | 第52-53页 |
4.3 算法检测流程 | 第53-56页 |
4.4 实验结果 | 第56-59页 |
4.5 本章小结 | 第59-60页 |
第5章 监控软件其他部分的设计 | 第60-64页 |
5.1 摄像头数据的读取与转换 | 第60-61页 |
5.2 软件的界面设计 | 第61-62页 |
5.3 软件系统的设计 | 第62-64页 |
第6章 总结与展望 | 第64-66页 |
参考文献 | 第66-70页 |
发表论文和参加科研情况说明 | 第70-72页 |
致谢 | 第72页 |