基于深度神经网络的视频烟雾检测研究
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 视频烟雾检测技术简介 | 第11-13页 |
| 1.3 视频烟雾检测算法国内外研究现状 | 第13-14页 |
| 1.4 论文的结构安排及主要工作 | 第14-15页 |
| 第二章 深度神经网络 | 第15-24页 |
| 2.1 深度神经网络概述 | 第15-16页 |
| 2.1.1 浅层学习阶段 | 第15-16页 |
| 2.1.2 深度学习阶段 | 第16页 |
| 2.2 基于深度神经网络的图像识别 | 第16-23页 |
| 2.2.1 神经网络 | 第16-18页 |
| 2.2.2 反向传播算法 | 第18-20页 |
| 2.2.3 卷积神经网络 | 第20-21页 |
| 2.2.4 基于深度卷积神经网络的图像识别技术 | 第21-22页 |
| 2.2.5 深度神经网络计算框架Caffe简介 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 视频预处理 | 第24-31页 |
| 3.1 烟雾的运动检测 | 第24-28页 |
| 3.1.1 改进的基于帧间差的运动检测 | 第25-26页 |
| 3.1.2 运动历史记录图 | 第26页 |
| 3.1.3 积分图加速计算 | 第26-28页 |
| 3.2 烟雾的颜色检测 | 第28-30页 |
| 3.3 本章小结 | 第30-31页 |
| 第四章 烟雾静态纹理识别 | 第31-39页 |
| 4.1 纹理特征简介 | 第31页 |
| 4.2 常用纹理特征算法 | 第31-33页 |
| 4.2.1 局部二值模式 | 第32页 |
| 4.2.2 二元梯度轮廓 | 第32-33页 |
| 4.2.3 简化纹理单元 | 第33页 |
| 4.3 基于深度神经网络的纹理特征识别 | 第33-35页 |
| 4.3.1 网络结构选择及优化方法 | 第33-34页 |
| 4.3.2 本文基本网络结构 | 第34-35页 |
| 4.3.3 模型训练 | 第35页 |
| 4.4 实验结果与分析 | 第35-38页 |
| 4.4.1 CNN参数的影响 | 第35-37页 |
| 4.4.2 CNN与传统纹理特征识别比较 | 第37-38页 |
| 4.5 本章小结 | 第38-39页 |
| 第五章 烟雾动态纹理识别 | 第39-44页 |
| 5.1 动态纹理特征简介 | 第39-41页 |
| 5.1.1 VLBP | 第39-40页 |
| 5.1.2 LBP-TOP | 第40-41页 |
| 5.2 基于深度神经网络的动态纹理识别 | 第41-42页 |
| 5.2.1 级联的网络结构 | 第41页 |
| 5.2.2 光流序列的获取 | 第41-42页 |
| 5.2.3 时空域CNN的优化 | 第42页 |
| 5.3 实验结果与分析 | 第42-43页 |
| 5.3.1 CNN参数的影响 | 第42-43页 |
| 5.3.2 与传统动态纹理特征比较 | 第43页 |
| 5.4 本章小结 | 第43-44页 |
| 第六章 静态与动态纹理相结合的视频烟雾检测 | 第44-53页 |
| 6.1 系统实现 | 第44-45页 |
| 6.2 测试视频集 | 第45-46页 |
| 6.3 实验结果与分析 | 第46-52页 |
| 6.3.1 评价指标 | 第46-47页 |
| 6.3.2 算法性能对比 | 第47-49页 |
| 6.3.3 时间复杂度分析 | 第49-50页 |
| 6.3.4 烟雾检测效果图 | 第50-52页 |
| 6.4 本章小结 | 第52-53页 |
| 总结与展望 | 第53-54页 |
| 本文工作总结 | 第53页 |
| 未来工作展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间发表的论文及参与的科研项目 | 第59页 |
