火灾是全世界严重的威胁和灾害,能够及时并准确地预警火灾是一个非常重要的课题。火灾检测主要有两种,分别为基于火焰或烟雾的检测,本文主要研究烟雾检测技术。传统基于传感器的烟雾检测技术具有许多局限性,促使了人们对基于视频监控的烟雾检测算法研究,并提出了众多烟雾检测算法。大部分的烟雾检测算法都取得了较好的检测性能,但仍存在以下两个主要问题:在火灾发生的中后期,算法的检测效果都很好,然而在火灾发生的初始阶段,烟雾稀薄、移动速度缓慢,算法性能差强人意;此外,大多数方法都是基于手工制作的特征或者使用原始图片直接作为神经网络的输入,导致算法的鲁棒性较差,针对不同的烟雾场景不具备普遍适用性。为解决上述两个问题,本文提出了两种基于视频图像的烟雾检测算法。1.为了提升初始火灾的检测性能,本文针对初始火灾阶段,烟雾稀薄且移动缓慢的场景,提出一种新颖的基于局部极值共生模式和能量分析的烟雾检测方法。该方法主要由预处理,特征提取和图像分类三个阶段组成。在预处理阶段,通过使用算法提取视频帧的运动前景区域,并采用颜色空间作用于运动前景区域识别烟雾像素区域。然后使用局部极值共生模式计算纹理特征和使用烟雾能量分析计算能量特征,将能量特征矢量和纹理特征矢量归一化融合为一个矢量。最后,将融合后的矢量训练支持向量机,识别烟雾。实验结果表明,该方法能及时并有效地检测出火灾初期产生的烟雾,减少了火灾造成的损失。2.为了提升烟雾检测算法的鲁棒性,本文提出了基于卷积神经网络的烟雾检测方法。首先使用图片归一化方式消除光照的影响,利用烟雾颜色检测烟雾候选区域,然后卷积神经网络自动提取烟雾候选区域的特征,进行烟雾识别,最后根据分类结果得到报警信号。针对烟雾产生初期烟雾区域相对较小的问题,利用扩大候选区域的策略提高烟雾检测的及时性。由于训练数据少或不平衡引起的过度拟合,本文使用数据增强技术从原始数据集生成更多训练样本解决该问题。实验结果表明,该方法在多种复杂的场景下都能有效地检测出烟雾,因此具有更高的准确率和更好的鲁棒性。