基于视频图像的火灾检测算法研究与设计
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 视频火灾检测方法研究现状 | 第11-14页 |
| 1.2.1 基于传统图像处理的火灾检测 | 第11-13页 |
| 1.2.2 基于浅层机器学习的火灾检测 | 第13页 |
| 1.2.3 基于深度学习的火灾检测 | 第13-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 章节安排 | 第15-16页 |
| 第2章 基本理论与相关技术 | 第16-32页 |
| 2.1 动态目标检测方法概述 | 第16-17页 |
| 2.2 人工神经网络 | 第17-21页 |
| 2.3 卷积神经网络 | 第21-28页 |
| 2.4 相关软件平台简介 | 第28-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第3章 基于浅层机器学习的火灾识别 | 第32-52页 |
| 3.1 方法流程与步骤 | 第32-33页 |
| 3.2 疑似区域检测 | 第33-37页 |
| 3.2.1 基于ViBe算法的动态目标识别 | 第33-35页 |
| 3.2.2 基于颜色模型的加权判断 | 第35-37页 |
| 3.3 特征选择 | 第37-40页 |
| 3.3.1 火焰颜色特征 | 第37-38页 |
| 3.3.2 火焰形状特征 | 第38-39页 |
| 3.3.3 火焰纹理特征 | 第39-40页 |
| 3.3.4 火焰面积变化特征 | 第40页 |
| 3.3.5 火焰闪烁特征 | 第40页 |
| 3.4 分类器设计 | 第40-45页 |
| 3.4.1 数据集建立 | 第41-44页 |
| 3.4.2 BP神经网络结构设计 | 第44-45页 |
| 3.5 实验结果与分析 | 第45-49页 |
| 3.5.1 模型优化 | 第45-47页 |
| 3.5.2 结果分析 | 第47-49页 |
| 3.6 本章小结 | 第49-52页 |
| 第4章 基于深度学习的火灾检测 | 第52-68页 |
| 4.1 基于残差卷积神经网络的火灾识别 | 第52-57页 |
| 4.1.1 数据集建立 | 第52-54页 |
| 4.1.2 网络结构设计 | 第54-57页 |
| 4.2 基于滑动窗口法的火灾定位 | 第57-60页 |
| 4.2.1 滑动窗口法 | 第57-58页 |
| 4.2.2 滑动窗口法的卷积实现 | 第58-59页 |
| 4.2.3 边界框优化 | 第59-60页 |
| 4.3 实验结果与分析 | 第60-66页 |
| 4.3.1 模型训练 | 第60-61页 |
| 4.3.2 性能测试 | 第61-64页 |
| 4.3.3 算法比较 | 第64-66页 |
| 4.4 本章小结 | 第66-68页 |
| 第5章 总结与展望 | 第68-70页 |
| 5.1 总结 | 第68-69页 |
| 5.2 展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-78页 |
| 攻读硕士学位期间研究成果及所获奖励 | 第78-79页 |
| 学位论文评阅及答辩情况表 | 第79页 |
