在火灾安全领域,为了使群众的利益远离火灾威胁,现在已经出现了很多火灾检测手段。目前,市场主流的火灾检测产品是基于传感器式的,在私人住宅、大型商场、工厂车间等场所中,这些传感器的分布随处可见。它们主要的工作原理是根据火灾发生时产生的烟雾和火焰,利用相应的光、温、化学传感器等去检测烟雾和火焰,并将异常报告给与传感器相连的报警装置及火灾应急设备。这些传感器式的火灾检测技术主要存在三个方面的问题:一是它的检测数据单一,利用传感器检测的火灾数据通常只是烟雾或火焰的一方面信息;二是它的监控范围小,传感器一般只能检测一个很小的独立空间,在大型空间里这种设备有很强的局限性;三是缺乏稳定性,传感器设备容易出现老旧状况并且容易被周围环境干扰发生漏检和误报情况。考虑到以上传感器式的检测技术在火灾检测方面的缺陷,目前研究人员开始大量研究视觉方向对火灾进行检测,主要是将模式识别和图像处理技术相结合,对火灾视觉特征进行提取分析学习。在视觉烟雾探测方面,经常被用到的是烟雾颜色、运动、频率、纹理等特征。本文在参考和研究大量前人的辛苦工作的基础之上,针对烟雾,提出两种新型的烟雾视频检测算法。一种是基于多特征融合和SVM分类器的烟雾检测算法,在该算法中对视频进行分块处理从而可以从一个个图像块中方便的提取烟雾特征。本算法首先根据烟雾的纹理特性提出烟雾的NR-ULBP和IQ-OLBP纹理特征向量;接着根据烟雾的颜色分布提出烟雾的Col颜色特征向量;然后根据烟雾的波动性提出一种烟雾的Wav波动特征向量;最后将这四个特征融合组成一个Feature特征向量。Feature向量包含的烟雾信息较全,而且和同类其他算法采用的特征相比,Feature向量的长度更短,判决性更强。本算法还根据了烟雾的时空特性,提出了一种消除干扰的方法,实验的结果证明该分类器算法能在保证烟雾视频检测的实时性的基础上,还能保证算法的准确率和稳定性。另外一种是基于运动和颜色的视频烟雾检测算法,该算法同样采用分块,但此处是为了保证运动区域的连续性。此算法首先在自适应背景更新模型的基础上提出一种基于块的背景更新模型,该模型不只是简单的对图像进行分块处理,还在不同块之间按照前景和背景的差别对各图像块进行自适应背景更新。接着此算法根据烟雾在YIQ空间中的颜色特性,提出一种烟雾的颜色归一化模型,利用该模型对像素点进行颜色验证得到烟雾候选块。最后利用烟雾离散运动模型,对候选块进行运动判定,判断其是否符合烟雾运动,并介绍一种消除异常块的方法。实验表明该算法法简单实用,准确率高,能够应用到一些实际场所中。