火灾对人类造成了极大的破坏,如何正确识别火灾具有重要的现实意义。传统的传感器式烟雾识别方法受环境的影响较大,而基于视频的烟雾识别对硬件要求不高,具有更好的可实施性。以往的烟雾识别方法往往选择在烟雾飘动较为稳定的情况进行的,然而在强风条件下,火焰的燃烧速度快,烟雾也表现出更多的特性,本文考虑了该条件下的烟雾特征,由此达到更好的预警效果。本文首先对视频图像进行滤波和像素调整操作,然后通过实验比较了三种运动提取方法的优缺点,最终选择高斯混合模型作为前景提取的方法。接着使用直方图分析得到烟雾像素在RGB和HSI颜色空间模型中的分布规律,然后使用该颜色特征进行烟雾像素提取,再经过膨胀和腐蚀操作将分散的块处理成连通区域,并采用连通域操作去除小面积区域,最终用方框标注出疑似烟雾区域。对于强风条件下的烟雾而言,其状态不稳定,因此需要对此时的烟雾进行相应的特性分析。光流法能够得到烟雾像素的基本运动矢量信息,再分析这些值的分布规律得到若干烟雾特征。由于受风力影响,视频图像中烟雾区域内部大部分像素的运动趋势和该烟雾区域的运动趋势是一致的,由此得到方向一致性特征,再分析像素的方向和速度的分布及其波动信息,得到烟雾光流长度及方向的均值和方差特征,对烟雾区域内部像素之间的速度进行分类和比较可以得到光流对比度特征,最后再引入烟雾的半透明特性,得到小波能量特征。经过和非烟雾像素的相应特征值进行比较分析,得到用于分类识别的特征向量集。为了体现特征的最佳分类效果,本文首先分析了三种分类器的性能,k近邻分类器需要将一个样本与所有样本之间的距离计算出来,计算量非常大,神经网络收敛速度慢,在出现复杂的非线性系统时,神经网络的预测能力较差,而支持向量机有处理速度快,对非线性数据处理能力强的明显优势,最终使用了libsvm工具箱作为分类器,通过训练集构建出的分类器模型对任意视频图像进行识别。最后,为了验证本文算法的有效性,将本文算法和以往的经典烟雾识别算法进行了比较,在保证训练集和测试集相同的情况下,得出两者的精确度和误检率的比较结果,实验结果表明,本文算法能有效识别火灾烟雾,具有相对较强的抗干扰能力和鲁棒性,适用范围广。