火灾作为自然灾害之一,每天都影响着世界各地的日常生活。传统的火灾探测器有感温、感烟、感光、气敏以及复合式火灾探测器,这些火灾探测器只能对某一特征信息进行采集,受环境影响。随着信号处理、人工智能等技术的发展,产生了基于视频的火灾检测系统。利用摄像设备获取监控场景的影像信息,自动检测火灾并预警,有着成本低、检测率高、响应迅速等优点,相关研究日益受到关注和重视,成为学术研究热点。本文首先总结了国内外火焰检测算法的发展现状及理论研究成果,之后介绍了火焰检测的主流技术。研究并设计火焰视频前景检测方法,分析提取多维度特征有效表征火焰,并实现了基于支持向量机的火焰检测。研究深度学习的方法,并将卷积神经网络用于火焰检测中。在一般的卷积神经网络的基础上,增加了网络深度,实现了对火焰的识别并分析了网络性能。本文主要开展工作如下:(1)提出了一套复杂环境下火焰检测方法。针对目前火焰颜色模型一般为某个颜色区间,无法精确表征火焰颜色特征的问题,在不同空间对火焰颜色进行分析,寻找火焰像素值在空间的分布规律,据此建立更精确的颜色概率分布模型。针对复杂场景下火焰区域提取困难的问题,提出一种基于搜索框的前景提取方法,充分利用火焰的颜色和运动特性,并综合颜色及运动的帧间相关性,准确提取火焰区域。对基于图像块的火焰特征进行研究,融合了火焰颜色显著性特征、空间梯度特征、帧间梯度特征、闪烁特征和火焰质心运动特征等多维度特征,用于火焰的表征和识别。根据融合的特征采用支持向量机进行分类检测,分析了各个特征对分类准确率的影响。(2)考虑到近年来深度学习的快速发展,以及卷积神经网络在图像分类上的卓越表现,将其应用于火焰检测,并与传统的模式识别方法进行比较。设计了具有更多隐层的卷积神经网络结构,实现了对火焰的分类检测,并通过实验分析了卷积神经网络的性能。实验结果表明,本文提出的前景提取算法能够在复杂背景下较精确地提取出目标区块,提升了识别效率。采用设计的多维度火焰特征可以通过支持向量机进行火焰的有效分类识别,效果良好。卷积神经网络能够应用于火焰识别,但需考虑通过提供更多更具有针对性的训练数据集提升泛化能力。