火灾检测在保障人身和财产安全方面具有重要意义，如果能在火焰燃烧初期就检测出火焰能大大降低火灾爆炸带来的危害。早期的基于传感器的火灾检测方法具有信息单一、检测范围小和容易发生误判等缺点。随着计算机视觉技术的飞速发展，基于视觉的火灾检测技术能够克服基于传感器火灾检测技术的局限性，有效地提高火灾检测的可靠性。而视觉火灾检测方法可分为基于图像处理的火灾检测方法和基于深度学习的火灾检测方法。基于图像处理的火灾检测方法需要复杂的人工特征提取过程，对于不同场景具有很大的局限性。卷积神经网络可以以原始图像作为输入，自动地从图像中学习特征，但是仅以图像作为输入的卷积神经网络忽略了火焰的运动信息。本文基于双流卷积神经网络，研究的视频火灾检测方法面向火灾事故易发场景，如工厂，商场，森林等。主要内容包括以下几个部分：
　　(1)为采用光流实现对火焰的运动特征表述，针对传统光流算法对光照、噪声和大位移运动的情况计算误差较大的缺点，提出了一种改进的光流估计算法。首先通过结合亮度恒定假设和Hessian矩阵恒定假设、引入非平方惩罚函数和双边滤波的方式来重新定义光流模型的数据项，然后采用对偶算法大大减少计算过程中的迭代次数，最后采用多分辨率分层细化的方法使算法适应大位移运动的情况。在测试数据集上进行了对比实验研究，结果表明本文的方法能够更好地保持图像边缘，并且对于光照变化和图像噪声更加鲁棒，算法的总体性能更好。
　　(2)为了提高算法的实时性，需要过滤掉视频中大部分非火焰区域，提出了一种基于运动特征和颜色特征的疑似火焰区域提取方法。首先利用Vibe+算法进行运动目标检测提取运动区域，之后对运动区域进行结合RGB和HSI颜色模型的颜色特征检测，满足颜色检测条件的区域被判定为疑似火焰区域。上述做法减少了算法的时间复杂度，保证了算法的实时性。
　　(3)针对传统的基于深度学习的火灾检测方法没有结合火焰运动信息的问题，提出了一种采用双流卷积神经网络的火灾检测方法。首先收集火焰图像和视频作为实验数据集；之后采用双流卷积神经网络结合视频的空间和时间特征对得到的疑似火焰区域进行分类识别，最后把识别结果为火焰的区域输出作为最终的检测结果。在测试数据集上进行对比实验，验证了本文所提出的方法的有效性。
　　(4)在上述理论方法的基础上，利用PyQt5设计并开发了火灾检测软件原型系统，将提出的方法进行集成。该软件系统主要模块有视频序列载入模块、疑似火焰区域提取模块、火灾检测模块。利用火灾检测软件原型系统实现对真实场景中视频的疑似火焰区域提取和火灾检测，进一步证明了本文所提出方法的有效性。
　　本文提出的基于双流卷积神经网络的视频火灾检测方法在火灾检测任务中取得了可观的效果，能将火灾遏制在初期阶段，在保障人身和财产安全方面具有重要意义。