| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 火灾探测技术对比 | 第9-11页 |
| 1.3 视频火焰检测技术国内外研究综述 | 第11-12页 |
| 1.4 研究目的和内容框架 | 第12-14页 |
| 2 视频图像火灾火焰检测相关技术 | 第14-22页 |
| 2.1 图像预处理与图像分割 | 第14-17页 |
| 2.2 运动目标检测方法 | 第17-18页 |
| 2.3 火焰特征 | 第18页 |
| 2.4 支持向量机SVM | 第18-22页 |
| 3 基于Dense-SIFT字典学习的火灾火焰检测 | 第22-33页 |
| 3.1 检测步骤与流程 | 第22-23页 |
| 3.2 基于改进型ViBe的运动目标检测 | 第23-26页 |
| 3.2.1 背景模型初始化 | 第23-24页 |
| 3.2.2 前景目标分割 | 第24-25页 |
| 3.2.3 背景模型更新 | 第25-26页 |
| 3.3 基于HSI颜色模型的可疑火焰检测 | 第26-27页 |
| 3.4 Dense-SIFT字典学习判决火焰 | 第27-33页 |
| 3.4.1 Dense-SIFT和字典学习 | 第27-28页 |
| 3.4.2 离线训练火焰字典和SVM分类器 | 第28-30页 |
| 3.4.3 基于Dense-SIFT字典学习的火焰形态特征识别 | 第30-31页 |
| 3.4.4 火焰动态闪烁特征识别 | 第31-33页 |
| 4 基于深度学习的火灾火焰检测 | 第33-52页 |
| 4.1 深度学习的发展和原理 | 第33-37页 |
| 4.2 深度学习常用模型 | 第37-43页 |
| 4.3 卷积神经网络CNN | 第43-48页 |
| 4.3.1 CNN概述 | 第43页 |
| 4.3.2 CNN网络结构 | 第43-45页 |
| 4.3.3 CNN训练过程 | 第45-47页 |
| 4.3.4 逻辑回归LR分类器 | 第47-48页 |
| 4.4 视频图像火灾火焰检测的CNN模型 | 第48-52页 |
| 4.4.1 实验过程 | 第48-49页 |
| 4.4.2 CNN模型的选择优化 | 第49-50页 |
| 4.4.3 CNN模型结构图 | 第50-52页 |
| 5 实验结果分析对比 | 第52-61页 |
| 5.1 实验数据准备 | 第52-54页 |
| 5.1.1 实验火焰图像集 | 第52-53页 |
| 5.1.2 图像预处理 | 第53-54页 |
| 5.2 实验结果 | 第54-59页 |
| 5.2.1 基于Dense-SIFT字典学习的火焰检测结果 | 第54-56页 |
| 5.2.2 基于CNN特征提取+LR分类的火焰检测结果 | 第56-58页 |
| 5.2.3 基于CNN特征提取+SVM分类的火焰检测结果 | 第58-59页 |
| 5.3 实验结果对比分析 | 第59-61页 |
| 结论 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表学术论文情况 | 第66-67页 |
| 致谢 | 第67-68页 |
