基于机器学习的火焰图像提取和识别技术研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题背景及选题意义 | 第8页 |
| 1.2 火灾检测技术概述 | 第8-10页 |
| 1.2.1 基于传感器的火灾检测技术 | 第9页 |
| 1.2.2 基于视频图像的火灾检测技术 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-11页 |
| 1.4 本文研究内容 | 第11-12页 |
| 1.5 文章组织结构 | 第12页 |
| 1.6 本章小结 | 第12-14页 |
| 第2章 基于视频图像的火灾检测相关技术 | 第14-38页 |
| 2.1 早期视频图像火灾检测系统介绍 | 第14页 |
| 2.2 码流转换与图像预处理 | 第14-19页 |
| 2.2.1 色彩模型变换 | 第15-16页 |
| 2.2.2 图像去噪 | 第16-19页 |
| 2.3 前景提取技术 | 第19-24页 |
| 2.3.1 帧差法 | 第19-20页 |
| 2.3.2 背景建模法 | 第20-23页 |
| 2.3.3 图像分割 | 第23-24页 |
| 2.4 火焰特征计算 | 第24-31页 |
| 2.4.1 静态特征 | 第25-29页 |
| 2.4.2 动态特征 | 第29-31页 |
| 2.5 火焰判别模型 | 第31-36页 |
| 2.5.1 支持向量机 | 第31-34页 |
| 2.5.2 人工神经网络 | 第34-36页 |
| 2.6 本章小结 | 第36-38页 |
| 第3章 基于机器学习的火焰前景取算法 | 第38-50页 |
| 3.1 相关算法原理 | 第39-43页 |
| 3.1.1 决策树 | 第39-41页 |
| 3.1.2 集成学习与AdaBoost算法 | 第41-43页 |
| 3.2 算法设计与流程 | 第43-44页 |
| 3.3 火焰疑似区域取 | 第44-46页 |
| 3.3.1 初级疑似区域取 | 第44-45页 |
| 3.3.2 次级疑似区域取 | 第45-46页 |
| 3.4 改进火焰前景图像分割算法 | 第46-49页 |
| 3.4.1 聚类数目确定 | 第47页 |
| 3.4.2 聚类中心初始化 | 第47-48页 |
| 3.4.3 算法实施 | 第48-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第4章 基于深度学习的视频图像火灾监测系统 | 第50-60页 |
| 4.1 系统整体框架 | 第50-51页 |
| 4.2 深度学习和Tensor Flow简介 | 第51-52页 |
| 4.3 卷积神经网络 | 第52-56页 |
| 4.4 火焰图像识别网络模型 | 第56-58页 |
| 4.5 本章小结 | 第58-60页 |
| 第5章 实验与结果分析 | 第60-70页 |
| 5.1 实验条件与数据集说明 | 第60-62页 |
| 5.1.1 实验条件说明 | 第60页 |
| 5.1.2 数据集说明 | 第60-62页 |
| 5.2 火焰前景取算法性能测试 | 第62-66页 |
| 5.2.1 取效果对比 | 第62-65页 |
| 5.2.2 时间性能分析 | 第65-66页 |
| 5.3 火焰识别准确率测试 | 第66-68页 |
| 5.4 本章小结 | 第68-70页 |
| 第6章 总结与展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 发表论文和参加科研情况说明 | 第76-78页 |
| 致谢 | 第78页 |
