基于多特征融合的室内吸烟烟雾识别算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 本文研究背景及意义 | 第10-12页 |
| 1.2 视频监控中的吸烟烟雾识别的研究现状 | 第12-15页 |
| 1.3 本文的研究重点与难点 | 第15-16页 |
| 1.4 本文的研究内容 | 第16-18页 |
| 第2章 吸烟烟雾视频的前景目标区域提取 | 第18-38页 |
| 2.1 引言 | 第18页 |
| 2.2 吸烟烟雾视频的预处理 | 第18-21页 |
| 2.2.1 YUV颜色空间模型 | 第19-20页 |
| 2.2.2 RGB颜色空间与YUV颜色空间的转换 | 第20-21页 |
| 2.3 吸烟烟雾视频的前景目标提取 | 第21-26页 |
| 2.3.1 光流法 | 第21-23页 |
| 2.3.2 帧差法 | 第23-24页 |
| 2.3.3 背景减除法 | 第24-25页 |
| 2.3.4 基于稀疏与低秩矩阵分解的前景检测算法 | 第25-26页 |
| 2.4 吸烟烟雾视频的背景建模算法 | 第26-34页 |
| 2.4.1 基于混合高斯模型的背景建模算法 | 第27-30页 |
| 2.4.2 基于ViBe算法的背景建模 | 第30-32页 |
| 2.4.3 改进的ViBe算法 | 第32-34页 |
| 2.5 吸烟视频前景区域的预处理 | 第34-36页 |
| 2.5.1 图像去噪 | 第34-35页 |
| 2.5.2 形态学处理 | 第35-36页 |
| 2.6 本章小结 | 第36-38页 |
| 第3章 吸烟烟雾的特征分析和提取 | 第38-47页 |
| 3.1 引言 | 第38页 |
| 3.2 HOG特征 | 第38-41页 |
| 3.3 纹理特征 | 第41-44页 |
| 3.4 特征融合算法 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 吸烟烟雾识别分类器的选择和设计 | 第47-59页 |
| 4.1 引言 | 第47页 |
| 4.2 支持向量机 | 第47-53页 |
| 4.2.1 线性可分 | 第48-51页 |
| 4.2.2 线性不可分及核函数 | 第51-53页 |
| 4.3 神经网络算法 | 第53-56页 |
| 4.3.1 BP神经网络 | 第54-55页 |
| 4.3.2 卷积神经网络 | 第55-56页 |
| 4.4 支持向量机分类器的设计 | 第56-57页 |
| 4.5 本章小结 | 第57-59页 |
| 第5章 算法的实验与结果分析 | 第59-68页 |
| 5.1 引言 | 第59页 |
| 5.2 实验环境及视频样本库 | 第59-60页 |
| 5.2.1 实验环境 | 第59页 |
| 5.2.2 实验视频库及样本介绍 | 第59-60页 |
| 5.3 实验步骤 | 第60-63页 |
| 5.4 实验结果与分析 | 第63-67页 |
| 5.5 本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第75-76页 |
| 致谢 | 第76页 |
