面向复杂场景的烟雾检测研究与实现
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 论文的主要工作和研究内容 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-18页 |
| 2 烟雾检测相关理论介绍 | 第18-38页 |
| 2.1 烟雾检测算法流程 | 第18-19页 |
| 2.2 烟雾检测数据库 | 第19-22页 |
| 2.2.1 主流数据库 | 第19-20页 |
| 2.2.2 构建大规模烟雾视频数据库 | 第20-22页 |
| 2.3 图像预处理技术 | 第22-25页 |
| 2.3.1 图像去噪 | 第22页 |
| 2.3.2 图像增强 | 第22-23页 |
| 2.3.3 形态学处理 | 第23-25页 |
| 2.4 运动区域提取 | 第25-27页 |
| 2.4.1 背景差分法 | 第25-26页 |
| 2.4.2 帧差法 | 第26-27页 |
| 2.5 烟雾图像特征分析 | 第27-32页 |
| 2.5.1 颜色特征 | 第28-29页 |
| 2.5.2 基本纹理特征 | 第29-31页 |
| 2.5.3 HOG特征 | 第31-32页 |
| 2.6 烟雾检测主流算法 | 第32-37页 |
| 2.6.1 支持向量机(SVM)算法 | 第32-34页 |
| 2.6.2 Adaboost算法 | 第34-35页 |
| 2.6.3 k近邻算法 | 第35-36页 |
| 2.6.4 神经网络算法 | 第36-37页 |
| 2.7 本章小结 | 第37-38页 |
| 3 基于多特征融合的烟雾检测方法 | 第38-48页 |
| 3.1 算法的框架 | 第38-39页 |
| 3.2 运动区域检测 | 第39-40页 |
| 3.3 多特征提取 | 第40-43页 |
| 3.3.1 图像的颜色特征 | 第40页 |
| 3.3.2 图像的纹理特征 | 第40-43页 |
| 3.4 实验设置和结果分析 | 第43-47页 |
| 3.4.1 实验设置 | 第43-44页 |
| 3.4.2 实验结果的分析 | 第44-47页 |
| 3.5 本章小结 | 第47-48页 |
| 4 基于深度递归神经网络的烟雾检测方法 | 第48-66页 |
| 4.1 算法提出的动机 | 第48页 |
| 4.2 算法流程 | 第48-49页 |
| 4.3 神经网络理论基础 | 第49-51页 |
| 4.4 详细算法设计 | 第51-56页 |
| 4.4.1 深度递归神经网络的结构和构造方法 | 第51-54页 |
| 4.4.2 特征融合以及运动信息累积 | 第54-55页 |
| 4.4.3 深度递归神经网络的训练 | 第55-56页 |
| 4.5 实验设置与分析 | 第56-63页 |
| 4.5.1 实验设置 | 第57页 |
| 4.5.2 实验结果比较与分析 | 第57-63页 |
| 4.6 算法应用 | 第63-65页 |
| 4.7 两种算法的对比 | 第65页 |
| 4.8 本章小结 | 第65-66页 |
| 5 总结与展望 | 第66-68页 |
| 5.1 总结 | 第66-67页 |
| 5.2 展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第72-74页 |
| 学位论文数据集 | 第74页 |
