近年来,我国面临着愈发严峻的森林防火形势,本文研究了基于计算机视觉技术的森林烟火识别算法,针对森林烟火识别的几个关键环节,从视频图像预处理、疑似烟雾区域提取、基于深度学习的单帧识别方法和基于深度学习的多帧识别方法四个方面展开研究。(1)视频图像去雾算法研究。本文针对暗通道先验理论的去雾算法在林火监控视频中天空区域容易出现失真噪声块的问题,设计了一种改进的快速去雾算法,通过Sobel算子对原始图像进行纹理分析,分割出天空区域以进行更加精细的去雾操作。其次,从原始图像直接估计环境光和大气光幕,大大提高去雾算法的执行效率。实验证明,改进的快速去雾算法能够满足林火视频监控的工程应用。(2)运动目标检测算法研究。ViBe运动目标检测算法用于森林烟火识别时,无法适应场景中深度变化。针对这个问题,本文设计了一种融合深度信息的自适应ViBe算法,通过暗通道先验理论计算得到深度信息,设计映射函数调节ViBe运动目标检测方法在不同深度的检测灵敏度,在不损失算法效率的情况下,提高了ViBe算法用于森林烟火检测的鲁棒性。(3)基于深度学习的单帧烟火识别方法研究。设计了一种基于注意力机制的卷积神经网络模型,通过注意力网络定位图像中区分度较大的区域,对该区域提取更加精细的局部特征,辅助主干网络进行识别分类。其次,通过带权值的交叉熵损失函数进行优化,提高了网络在非平衡林火数据集上的表现。实验结果表明,基于注意力机制的卷积神经网络在精度与模型稳定性上均有大幅度的提升。(4)基于深度学习的多帧烟火识别方法研究。设计了双向长短期记忆网络识别模型,以提取序列图像中的烟火动态特征。首先通过注意力卷积神经网络逐帧提取静态特征,将特征按照正向(沿着时间顺序)和反向(与时间顺序相反)两种顺序输入双向长短期记忆网络进行循环计算,最终利用网络中的正向状态和反向状态进行更加可靠的预测。实验结果表明,该方法在序列样本数据集上取得了最优的分类精度。