火灾是一种非控制性燃烧,对人们的生产生活的安全造成了极大的威胁。烟雾是火灾发生初期出现的一种重要的图像特征之一,因此准确而实时地对各种环境下的监控视频进行烟雾检测,是减少火灾危害的重要手段。本文针对监控视频中的烟雾事件检测技术展开研究,首先通过连续的视频帧检测出运动目标,并通过一定的筛选条件确定烟雾候选区域,然后将此候选区域作为后续目标识别与分类的先验知识,通过对此区域进行特征提取和特征融合并结合支持向量机对得到的特征向量进行分类而得到视频分类结果,既满足了视频烟雾检测的实时性,同时也有很高的检测精确度。更进一步,提出了基于Fast R-CNN网络的视频烟雾检测算法,使用提取的烟雾候选区域信息对提取的区域建议框进行筛选,减少了 Fast R-CNN的检测时间,从而减少了时间复杂度,提高了检测速度和准确度。本文的主要工作如下:(1)提出了一种基于背景建模和烟雾特征的烟雾候选区域提取算法。首先,通过图像滤波和颜色转换模型来对图像中的噪声和光照不均衡进行处理,消除烟雾视频中常见的噪声和光照不均衡的影响。然后对变换后的图像采用ViBe背景建模的方法建立视频的背景模型,得到运动目标区域,最后通过目标区域的RGB空间颜色信息来判定该区域是否为烟雾候选区域。为后续的机器学习检测视频烟雾目标提供了基础。(2)提出了一种基于烟雾候选区域和多特征的视频烟雾检测方法。通过检测烟雾候选区域的轮廓不规则度特征、运动方向统计特征并进行判别,对于同时符合烟雾的轮廓特征和运动方向统计特征的烟雾候选区域进行下一步得纹理特征提取,然后使用支持向量机对提取到的纹理特征进行判别,并得出烟雾检测结果。并通过实验验证了本文算法的有效性。通过动态特征与静态特征的融合,可以提高视频烟雾目标检测的准确度。(3)设计了一种基于烟雾候选区域和Fast R-CNN网络的视频烟雾检测算法,算法成功的将视频中的烟雾运动信息和Fast R-CNN网络的特征提取能力应用到火灾烟雾检测中,并取得了良好的检测效果。首先对该模型的架构进行了介绍,建立烟雾检测模型,并且通过烟雾候选区域对搜索算法产生的区域建议框进行筛选。然后介绍了本文算法的设计思路和算法实现过程。最后通过实验的方式,比较了同一视频中不同视频帧的烟雾检测效果,也验证了本文算法在不同场景下的检测效果,表现出本文算法的鲁棒性。通过比较本文算法和Fast R-CNN算法对烟雾的响应速度,显示出本文算法对烟雾检测的及时性,同时也表明了本文算法能够及时进行火灾的预警。