| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于传统机器学习方法的视频烟雾检测方法 | 第11-13页 |
| 1.2.2 基于深度学习的视频烟雾检测方法 | 第13-14页 |
| 1.3 研究内容及难点 | 第14-15页 |
| 1.4 内容概要与组织结构 | 第15-16页 |
| 2 相关工作及理论基础 | 第16-32页 |
| 2.1 运动区域检测方法 | 第16-18页 |
| 2.1.1 光流法 | 第16页 |
| 2.1.2 帧间差分法 | 第16-17页 |
| 2.1.3 背景减除法 | 第17-18页 |
| 2.2 视频图像视觉特征 | 第18-21页 |
| 2.2.1 颜色特征 | 第18-20页 |
| 2.2.2 纹理特征 | 第20-21页 |
| 2.3 常用视频图像分类检测方法 | 第21-27页 |
| 2.3.1 支持向量机(SVM) | 第21-24页 |
| 2.3.2 Adaboost级联分类器 | 第24-25页 |
| 2.3.3 BP神经网络 | 第25-27页 |
| 2.4 深度学习方法介绍 | 第27-31页 |
| 2.4.1 深度学习发展简介 | 第27-28页 |
| 2.4.2 卷积神经网络 | 第28-31页 |
| 2.5 本章小结 | 第31-32页 |
| 3 基于特征融合的SVM视频烟雾检测算法 | 第32-47页 |
| 3.1 基于混合高斯模型的疑似烟雾运动区域提取 | 第32-39页 |
| 3.1.1 图像预处理 | 第32-34页 |
| 3.1.2 混合高斯背景建模 | 第34-36页 |
| 3.1.3 运动区域再处理 | 第36-38页 |
| 3.1.4 运动区域提取实验结果 | 第38-39页 |
| 3.2 图像特征提取 | 第39-41页 |
| 3.2.1 HSV颜色特征提取 | 第39-40页 |
| 3.2.2 纹理特征提取 | 第40-41页 |
| 3.3 SVM分类算法的实现 | 第41-46页 |
| 3.3.1 烟雾图像数据库的建立 | 第41-43页 |
| 3.3.2 分类器训练和检测算法流程 | 第43-44页 |
| 3.3.3 实验结果分析 | 第44-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 基于深度卷积神经网络的视频烟雾检测算法 | 第47-56页 |
| 4.1 网络结构设置 | 第47-51页 |
| 4.2 实验过程与结果分析 | 第51-54页 |
| 4.2.1 数据集选取 | 第51页 |
| 4.2.2 网络模型训练 | 第51页 |
| 4.2.3 实验结果与分析 | 第51-54页 |
| 4.3 本章小结 | 第54-56页 |
| 5 总结和展望 | 第56-58页 |
| 5.1 总结 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第61-63页 |
| 学位论文数据集 | 第63页 |