火灾是当今社会发生频率较高的主要灾害之一，它严重威胁了人们的生命和财产安全、影响经济和社会的发展，所以火灾预防意义重大，而火灾预防的重要手段之一是火灾的及时检测。但是传统的感光、感温、感烟等火灾探测器存在检测范围小、响应速度慢、火灾误检率和漏检率较高等缺点。随着计算机图像处理和模式识别技术的飞速发展，基于计算机视觉的视频火焰检测技术展现了其明显的优势，成为了研究热点。本文详细阐述了火灾的视觉特征，介绍并分析了现有视频火焰检测技术的优势和不足，在此基础上，进一步研究了基于视觉显著性分析的视频火焰检测技术。人们在观察一幅图像时，人类视觉系统的选择性注意机制能够不需要训练而快速地定位到图像中的显著物体上，据此本文引入了计算视觉领域中的显著性概念，结合自上而下的视觉注意思想，实现了火焰关键特征的显著性度量，最终构建了时空视觉选择性注意机制的视频火焰检测模型。火焰的亮度、颜色、纹理和闪烁特性是火焰的显著特征。本文首先定义了火焰的亮度和颜色显著度，然后针对主流的RGB模型不能提取火焰中心的亮黄色区域问题，提出了有效的颜色模型，提取了火焰中心的亮黄色区域，一定程度上弥补了火焰中心的空洞，最后对火焰中心的亮白区域所形成的小面积空洞，利用形态学运算进行了填补。为了避免将训练样本和测试样本的纹理特征向量集合直接输入到耗时的支持向量机（Support Vector Machine, SVM）中进行训练和分类，本文利用了主成分分析（PrincipalComponent Analysis, PCA）方法对训练样本中火焰区域的局部二值模式(Local BinaryPattern, LBP)纹理特征向量进行降维，得到标准的LBP特征向量，然后计算待测疑似火焰区域的LBP特征向量与标准特征向量的距离，从而得到火焰的纹理显著度。针对一般火焰运动目标提取方法造成的误检和对疑似像素点建立复杂的频闪模型耗时的缺点，本文利用累积差分方法，根据火焰的闪烁频率和视频的帧速率，利用两种方法来定义火焰的动态显著度。第一种利用视频图像序列疑似火焰像素点的亮度变化，另一种利用视频图像序列经过小波变换后疑似火焰像素点的改进高频能量过零次数。本文利用两种方法生成火焰的显著图。第一种利用线性加权方法融合火焰的亮度、颜色、纹理和利用亮度变化得到的动态特征，另一种利用四元数离散余弦变换方法融合火焰的另外两种颜色、纹理和利用过零次数得到的动态特征。前者简单有效，后者能够进一步提高火焰目标的显著度。本文使用Bilkent大学视频库中全部的13段火焰视频、2段非火焰视频和通过互联网获得的4段非火焰视频进行了实验，实验结果表明，由于本文计算得到的火焰静态、动态特征比较准确、稳健，与其他主流算法相比，本文所提出的火焰检测算法，具有准确率高、鲁棒性强的特点。