由于基于传感器技术的传统烟雾探测器的检测范围具有较大局限性,在开放环境下,传统烟雾探测器的检测效果不佳。为了提高检测效果,研究人员致力于研究基于视频图像处理和模式识别的烟雾智能检测技术,该智能检测技术是通过运动检测、特征提取和分类三个步骤来实现烟雾检测。首先采用已有的混合高斯背景建模法进行运动检测,在得到运动区域的基础上进行特征提取和分类器的选择,本文提出一种基于小波特征、纹理特征和亮度特征相融合的特征向量和基于Adaboost算法的BP神经网络集成分类器的烟雾检测方法,本文的主要研究内容和成果如下。在运动检测的基础上,分析烟雾具有的特征,采用一种基于小波特征、烟雾纹理特征以及亮度特征相融合的烟雾特征提取方法。视频图像中一旦出现烟雾,烟雾让其覆盖的区域变得模糊,而模糊性表现为小波能量的减小。烟雾图像小波变换后高频子图系数特征表现和非烟雾高频子图系数特征表现有很大不同。烟雾图像纹理表现比较均匀。用Y亮度分量来表征白色烟雾的信息。最后得到一个烟雾特有的新型22维特征向量。在特征提取后,进行分类器的选择,采用一种基于Adaboost算法的BP神经网络集成分类器的烟雾检测方法。单个BP神经网络的检测结果具有偶然性,通过对10个BP神经网络进行加权,形成BP神经网络集成分类器,并应用于烟雾检测中,实验结果显示,这种方法比单个的BP神经网络分类器检测方法更有效。