近年来,各类火灾事故频发,对人们的生命财产安全造成极大威胁。如果在早期能够有效的检测到火灾烟雾并及时预警和处理,将减少人类生命及财产损失,保障社会稳定发展。我国的视频监控是现代安防的重要组成部分,在平安城市政策和智能技术与物联网的支持下,已在各领域广泛应用。由于早期烟雾在图像中占比例较小,形态多变,容易受到燃烧物与环境的影响,导致其特征缺乏稳健性与表达力,进而使检测精准度和实时性低。本文通过总结归纳早期烟雾特点,提出两种方法:基于动态多帧差分法的烟雾检测算法和注意力机制与Faster-RCNN相结合的烟雾检测模型。本文工作如下:1.针对目前公开数据集有限的问题,本文收集与制作数据集。通过前期准备阶段的收集与整理,数据集中包含多段火灾烟雾视频和近万张早期的火灾烟雾图,为早期的火灾烟雾检测的研究提供数据资源。2.针对早期的火灾烟雾区域稀疏、扩散缓慢的特点,现有算法提取疑似烟雾区域不完整的问题,通过分析烟雾的动态特征和静态特征,本文提出动态多帧差分火灾烟雾识别方法。首先,对视频图像序列进行非线性滤波,以细化图像细节;然后,根据面积比率动态提取疑似烟雾区域;最后,根据面积与周长变化确定烟区。避免纯人工选择的特征单一,抗干扰能力低的问题,同时无需增加运算的前提下,能较早检测到火灾烟雾。经过实验证明,本算法最快能在三帧内检测出烟雾,比帧差法、背景减除法、光流法三种算法更快检测出烟雾,且运算时间较短,实现对动态烟雾的实时检测。3.针对复杂背景下,火灾烟雾检测精度不高的问题,本文提出卷积神经网络与注意力模块相结合的多特征融合的火灾烟雾检测方法。首先,在特征提取阶段采用Res Net50模型,在卷积层中加入注意力机制,形成注意力卷积模块,使其更关注与目标相关的特征通道;其次,在建议框网络阶段使用引入注意力的卷积层,提升对目标的检测能力。最后,利用构建的火灾烟雾图像数据集,在改进后的方法上进行实验,检测所取得平均准确率高达93.99%,类平均精度达到92.85%,相较于已有的以Vgg16为主的Faster RCNN、以Res Net50为主的Faster RCNN、SSD、YOLOv2、YOLOv5方法取得了更好的检测准确率和精度,结果表明,该方法能够更有效地检测出多场景下的早期火灾烟雾目标。本文提出的动态多帧差分识别方法可检测到早期缓慢运动的烟雾,且耗时短;卷积神经网络与注意力模块相结合的多特征融合的火灾烟雾检测方法,可实现准确地检测早期的火灾烟雾,且有较好的抗干扰能力。两种方法为烟雾检测提供了一些新思路及技术支撑。