| 摘要 | 第6-7页 |
| abstract | 第7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景和意义 | 第10-12页 |
| 1.2 基于视频的烟雾检测技术简介 | 第12-13页 |
| 1.3 基于视频的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14-16页 |
| 第二章 相关工作和理论基础 | 第16-30页 |
| 2.1 运动目标检测方法 | 第16-17页 |
| 2.1.1 帧差法 | 第16页 |
| 2.1.2 背景消减法 | 第16-17页 |
| 2.1.3 光流法 | 第17页 |
| 2.2 深度神经网络 | 第17-29页 |
| 2.2.1 神经网络 | 第17-22页 |
| 2.2.2 卷积神经网络 | 第22-24页 |
| 2.2.3 循环神经网络 | 第24-25页 |
| 2.2.4 基于深度卷积神经网络的视频识别技术 | 第25-29页 |
| 2.2.5 深度神经网络计算框架TensorFlow简介 | 第29页 |
| 2.3 本章小结 | 第29-30页 |
| 第三章 视频及数据预处理 | 第30-38页 |
| 3.1 烟雾的运动检测 | 第30-33页 |
| 3.1.1 分块运动检测 | 第30-31页 |
| 3.1.2 积分图加速 | 第31-33页 |
| 3.2 暗通道先验烟雾检测 | 第33-34页 |
| 3.2.1 暗通道 | 第33页 |
| 3.2.2 非烟雾区域分离 | 第33-34页 |
| 3.3 分块运动检测与暗通道烟雾检测结合 | 第34-35页 |
| 3.4 数据预处理 | 第35-37页 |
| 3.4.1 数据集采集 | 第35-36页 |
| 3.4.2 数据标定 | 第36-37页 |
| 3.4.3 数据集生成 | 第37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 烟雾视频的时空域特征分析 | 第38-54页 |
| 4.1 视频时空域特征简介 | 第38页 |
| 4.2 现有的烟雾视频的时空域特征提取方法 | 第38-43页 |
| 4.2.1 传统的时空域特征提取算法 | 第38-40页 |
| 4.2.2 级联的深度神经网络结构 | 第40-41页 |
| 4.2.3 2 DCNN+LSTM网络结构 | 第41-42页 |
| 4.2.4 3 D卷积神经网络结构 | 第42-43页 |
| 4.3 改进的3DCNN烟雾视频的时空域特征提取方法 | 第43-49页 |
| 4.3.1 DenseNet | 第44-45页 |
| 4.3.2 3 D-DenseNet | 第45-48页 |
| 4.3.3 时间维度的GlobalAveragePooling | 第48-49页 |
| 4.3.4 3 D-DenseNet网络结构 | 第49页 |
| 4.4 实验结果与分析 | 第49-53页 |
| 4.4.1 网络训练过程 | 第49-51页 |
| 4.4.2 神经网络参数的影响 | 第51-52页 |
| 4.4.3 与现有的烟雾视频的时空域特征提取方法比较 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 系统设计与实验结果 | 第54-66页 |
| 5.1 系统实现 | 第54-55页 |
| 5.2 测试视频集 | 第55-56页 |
| 5.3 实验结果与分析 | 第56-65页 |
| 5.3.1 评价指标 | 第57页 |
| 5.3.2 算法性能对比 | 第57-62页 |
| 5.3.3 时间复杂度分析 | 第62页 |
| 5.3.4 烟雾检测系统及效果图 | 第62-65页 |
| 5.4 本章小结 | 第65-66页 |
| 总结与展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第72页 |
