基于视频图像的烟雾检测技术研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-11页 |
| 1.1 课题研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文主要研究内容及章节安排 | 第10-11页 |
| 2 疑似烟雾区域提取 | 第11-23页 |
| 2.1 烟雾视频图像预处理 | 第11-12页 |
| 2.1.1 图像灰度化处理 | 第11页 |
| 2.1.2 图像去噪处理 | 第11-12页 |
| 2.2 常用运动目标检测方法 | 第12-13页 |
| 2.3 基于运动的烟雾检测算法 | 第13-17页 |
| 2.3.1 背景更新 | 第13-14页 |
| 2.3.2 改进的背景更新 | 第14-16页 |
| 2.3.3 基于光学增益的运动区域检测 | 第16-17页 |
| 2.3.4 烟雾增长特征 | 第17页 |
| 2.4 基于颜色的烟雾检测算法 | 第17-20页 |
| 2.4.1 RGB色彩空间中的烟雾颜色特征 | 第17页 |
| 2.4.2 HSI色彩空间中的烟雾颜色特征 | 第17-18页 |
| 2.4.3 YUV色彩空间中的烟雾颜色特征 | 第18-20页 |
| 2.5 疑似烟雾区域的提取流程 | 第20-22页 |
| 2.6 本章小结 | 第22-23页 |
| 3 基于图像分离的烟雾检测 | 第23-43页 |
| 3.1 基于局部平滑的图像分离算法 | 第23-28页 |
| 3.1.1 视频图像的烟雾成像模型 | 第23-25页 |
| 3.1.2 基于局部平滑的纯烟雾模型 | 第25-28页 |
| 3.2 基于非冗余局部二值模式的纹理特征提取 | 第28-32页 |
| 3.2.1 传统的LBP算子 | 第29-31页 |
| 3.2.2 改进的LBP算子 | 第31-32页 |
| 3.3 支持向量机分类器训练 | 第32-35页 |
| 3.3.1 样本准备 | 第33页 |
| 3.3.2 分类器训练 | 第33-35页 |
| 3.4 实验结果与分析 | 第35-42页 |
| 3.4.1 烟雾图像分离性能 | 第35-38页 |
| 3.4.2 视频烟雾检测性能 | 第38-42页 |
| 3.5 本章小结 | 第42-43页 |
| 4 深度学习基础 | 第43-53页 |
| 4.1 深度学习概述 | 第43-45页 |
| 4.1.1 机器学习 | 第43-44页 |
| 4.1.2 深度学习 | 第44-45页 |
| 4.2 基于深度学习的图像识别 | 第45-51页 |
| 4.2.1 神经网络 | 第45-49页 |
| 4.2.2 卷积神经网络 | 第49-51页 |
| 4.2.3 卷积神经网络的应用 | 第51页 |
| 4.3 深度学习工具CAFFE简介 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 5 基于卷积神经网络的烟雾检测 | 第53-63页 |
| 5.1 CAFFE环境准备 | 第53-54页 |
| 5.2 数据集构建 | 第54页 |
| 5.3 卷积神经网络模型 | 第54-59页 |
| 5.3.1 网络结构选择 | 第54-55页 |
| 5.3.2 参数设定 | 第55-58页 |
| 5.3.3 本文CNN模型 | 第58页 |
| 5.3.4 训练与测试 | 第58-59页 |
| 5.4 实验结果与分析 | 第59-62页 |
| 5.4.1 系统实现 | 第59-60页 |
| 5.4.2 烟雾检测效果图 | 第60页 |
| 5.4.3 算法性能对比 | 第60-62页 |
| 5.5 本章小结 | 第62-63页 |
| 6 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士学位期间学术成果获奖情况 | 第71页 |
