基于深度學(xué)習(xí)的動態(tài)紋理分類方法研究及其在森林防火中的應(yīng)用.pdf

1、森林火災(zāi)的發(fā)生給人類帶來巨大的經(jīng)濟(jì)損失，因此，及時(shí)有效地發(fā)現(xiàn)和撲救火災(zāi)是十分必要的。煙霧是動態(tài)紋理的一種形式，動態(tài)紋理特征的提取對煙霧識別具有非常重要的作用，因此，動態(tài)紋理分類方法具有很大的實(shí)際意義。本文將深度學(xué)習(xí)用于動態(tài)紋理特征的提取,并成功應(yīng)用于動態(tài)場景的分類中。
　　本文研究與分析了現(xiàn)有動態(tài)紋理分類方法以及三種典型的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，即深度置信網(wǎng)絡(luò)模型、多層降噪自動編碼網(wǎng)絡(luò)模型和卷積神經(jīng)網(wǎng)絡(luò)模型，提出了基于深度學(xué)習(xí)網(wǎng)絡(luò)模型的

2、動態(tài)場景分類方法，主要工作有以下幾個(gè)方面：
　　首先，提出一種基于多層降噪自動編碼網(wǎng)絡(luò)模型的慢特征分析法，用于提取動態(tài)紋理特征。慢特征分析法的本質(zhì)是從不斷變化的輸入信號中提取緩慢變化的信號特征，然而，輸入信號非線性擴(kuò)展空間的局限性使得輸出的特征維度較大，多層降噪自動編碼網(wǎng)絡(luò)模型對輸入數(shù)據(jù)起到比較好的降維作用，同時(shí)能學(xué)習(xí)到輸入數(shù)據(jù)更高級的信號特征。實(shí)驗(yàn)證明，該方法與現(xiàn)有方法比較，極大地提高了動態(tài)紋理分類的準(zhǔn)確率。
　　其次，在

3、2D卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，提出了一種3D卷積神經(jīng)網(wǎng)絡(luò)模型。原始的2D卷積神經(jīng)網(wǎng)絡(luò)對二維圖像的特征提取有很好的作用，但并不適用于視頻圖像序列。本文提出的3D卷積網(wǎng)絡(luò)模型直接對連續(xù)圖像幀進(jìn)行操作，將卷積和下采樣層交替堆疊組成網(wǎng)絡(luò)結(jié)構(gòu)。實(shí)驗(yàn)證明，該網(wǎng)絡(luò)模型能提取出更高級的視頻紋理特征，并且在動態(tài)場景分類中有很好的效果。
　　最后，在上述動態(tài)紋理特征分類方法研究的基礎(chǔ)上，本文在 Visual Studio2010的編譯環(huán)境下設(shè)計(jì)了一套森林