| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 研究内容与技术路线 | 第11-13页 |
| 1.3.1 研究内容 | 第11-12页 |
| 1.3.2 技术路线 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-14页 |
| 第2章 烟雾特征分析与卷积神经网络相关理论 | 第14-29页 |
| 2.1 烟雾特征 | 第14-15页 |
| 2.1.1 颜色特征 | 第14页 |
| 2.1.2 纹理特征 | 第14-15页 |
| 2.1.3 形状不规则性 | 第15页 |
| 2.2 人工神经网络 | 第15-21页 |
| 2.2.1 神经元 | 第15-16页 |
| 2.2.2 激活函数 | 第16-18页 |
| 2.2.3 神经网络模型 | 第18-19页 |
| 2.2.4 反向传播算法 | 第19-21页 |
| 2.3 卷积神经网络 | 第21-28页 |
| 2.3.1 卷积神经网络的发展历史 | 第21-22页 |
| 2.3.2 卷积神经网络的特点 | 第22-24页 |
| 2.3.3 卷积神经网络的结构及其训练 | 第24-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于背景动态更新与暗通道先验的火灾烟雾检测算法 | 第29-47页 |
| 3.1 常见候选烟雾区域提取方法分析 | 第29-33页 |
| 3.1.1 混合高斯法 | 第30-32页 |
| 3.1.2 帧间差分法 | 第32页 |
| 3.1.3 光流法 | 第32-33页 |
| 3.2 基于改进的背景动态更新的运动目标检测 | 第33-36页 |
| 3.2.1 背景更新 | 第34页 |
| 3.2.2 运动前景获取 | 第34-36页 |
| 3.3 结合暗通道先验的候选烟雾区域提取 | 第36-41页 |
| 3.3.1 暗通道先验 | 第36-37页 |
| 3.3.2 暗通道阈值图像 | 第37-38页 |
| 3.3.3 前景像素过滤 | 第38-39页 |
| 3.3.4 形态学处理 | 第39-41页 |
| 3.4 特征提取与融合 | 第41-43页 |
| 3.4.1 颜色直方图 | 第41页 |
| 3.4.2 旋转不变的LBP | 第41-42页 |
| 3.4.3 HOG特征 | 第42页 |
| 3.4.4 特征融合与分类 | 第42-43页 |
| 3.5 实验结果与分析 | 第43-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第4章 基于卷积神经网络的火灾烟雾检测算法 | 第47-60页 |
| 4.1 算法实现框架 | 第47-48页 |
| 4.2 网络结构 | 第48-50页 |
| 4.3 网络训练 | 第50-52页 |
| 4.4 视频烟雾检测实现 | 第52-54页 |
| 4.4.1 候选区域缩放 | 第52-53页 |
| 4.4.2 隐含扩大候选烟雾区域 | 第53页 |
| 4.4.3 特征提取与分类 | 第53-54页 |
| 4.5 实验结果与分析 | 第54-58页 |
| 4.5.1 实验数据集 | 第54页 |
| 4.5.2 实验环境与评价指标 | 第54-55页 |
| 4.5.3 图像集与视频集中的实验结果 | 第55-58页 |
| 4.6 本章小结 | 第58-60页 |
| 第5章 结论与展望 | 第60-62页 |
| 5.1 工作总结 | 第60页 |
| 5.2 展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-69页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第69页 |