| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 传统火灾探测器及其弊端 | 第12页 |
| 1.3 视频火灾探测技术的研究现状及优势 | 第12-15页 |
| 1.3.1 视频火灾烟雾探测技术的研究现状 | 第13-15页 |
| 1.3.2 视频火灾烟雾探测技术的优势 | 第15页 |
| 1.4 论文主要工作及章节安排 | 第15-17页 |
| 1.4.1 论文主要工作 | 第15-16页 |
| 1.4.2 论文的章节安排 | 第16-17页 |
| 第2章 公路隧道火灾烟雾检测方法设计 | 第17-21页 |
| 2.1 烟雾的基本特征 | 第17-18页 |
| 2.1.1 烟雾的纹理特征 | 第17页 |
| 2.1.2 烟雾的形态特征 | 第17页 |
| 2.1.3 烟雾的模糊性特征 | 第17页 |
| 2.1.4 烟雾的动态特征 | 第17-18页 |
| 2.2 伪烟雾干扰的种类分析 | 第18页 |
| 2.3 烟雾检测系统的算法部分 | 第18-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 视频图像中的运动区域提取 | 第21-33页 |
| 3.1 运动目标检测算法 | 第21-26页 |
| 3.1.1 光流法 | 第21-22页 |
| 3.1.2 帧间差分法 | 第22-23页 |
| 3.1.3 混合高斯模型的背景减除法 | 第23-24页 |
| 3.1.4 ViBe | 第24-26页 |
| 3.2 基于GMM的ViBe运动检测算法 | 第26-28页 |
| 3.3 实验对比结果及分析 | 第28-30页 |
| 3.4 运动区域提取实验结果 | 第30-32页 |
| 3.4.1 中值滤波 | 第30-31页 |
| 3.4.2 开运算和闭运算 | 第31页 |
| 3.4.3 掩膜处理 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 疑似烟雾区域分割 | 第33-41页 |
| 4.1 颜色空间 | 第33-35页 |
| 4.1.1 RGB颜色空间 | 第33-34页 |
| 4.1.2 HSI颜色空间 | 第34页 |
| 4.1.3 Lab颜色空间 | 第34-35页 |
| 4.2 基于RGB、HSI和Lab颜色统计模型的分割方法 | 第35-38页 |
| 4.2.1 烟雾颜色模型 | 第36-38页 |
| 4.3 实验结果 | 第38-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第5章 烟雾的特征值提取 | 第41-61页 |
| 5.1 LBP高斯金字塔特征值提取 | 第41-52页 |
| 5.1.1 LBP算子 | 第41-44页 |
| 5.1.2 高斯金字塔 | 第44-45页 |
| 5.1.3 LBP的局限性和LBP的多尺度扩展 | 第45页 |
| 5.1.4 融合高斯金字塔和LBP的纹理特征 | 第45-52页 |
| 5.2 烟雾的形状不规则特征值提取 | 第52-54页 |
| 5.3 烟雾的平均梯度特征值提取 | 第54-56页 |
| 5.4 闪烁频率特征值提取 | 第56-59页 |
| 5.5 本章小结 | 第59-61页 |
| 第6章 火灾烟雾识别分类器设计 | 第61-81页 |
| 6.1 支持向量机 | 第61页 |
| 6.1.1 支持向量机的发展 | 第61页 |
| 6.1.2 SVM的几种常用算法 | 第61页 |
| 6.2 C-SVC | 第61-68页 |
| 6.2.1 线性可分支持向量机 | 第61-64页 |
| 6.2.2 线性不可分支持向量机 | 第64-67页 |
| 6.2.3 非线性支持向量 | 第67-68页 |
| 6.3 序列最小优化 | 第68-71页 |
| 6.3.1 序列最小优化的原理 | 第68-71页 |
| 6.3.2 基于SMO迭代优化的C-SVC的求解过程 | 第71页 |
| 6.4 基于SMO优化的C-SVC的火灾烟雾检测方法 | 第71-73页 |
| 6.4.1 基于SMO优化的C-SVC的火灾烟雾检测算法流程 | 第71-73页 |
| 6.5 实验结果与分析 | 第73-78页 |
| 6.5.1 实验视频库建立 | 第73-74页 |
| 6.5.2 实验检测结果 | 第74-76页 |
| 6.5.3 实验结果分析 | 第76-78页 |
| 6.6 本章小结 | 第78-81页 |
| 总结与展望 | 第81-83页 |
| 参考文献 | 第83-89页 |
| 致谢 | 第89-90页 |
| 作者简介 | 第90页 |
