森林是大自然中的宝贵资源,同时还维持着生态平衡。森林火灾一旦发生,危害十分巨大,如果能在林火的萌芽状态就进行识别,则可以减少不必要的损失。目前,国内外基于计算机视觉的林火检测研究已经有了一定的发展,但同时也存在着误报率高、检测时间长等缺陷。在进行林火识别技术的研究时,可选择使用无人机(UAVs)搭载视觉相机,其操作灵活,价格便宜,效率更高。本文以基于无人机的森林火灾检测为研究对象,进行了相关研究工作,具体如下:(1)通过LBP特征提取结合SVM分类器的方法进行森林火灾中烟雾的检测。观察已有的林火影像资料发现,在植被茂盛的森林中,拍摄到的火灾图像中火焰所占比例极小,因此首先考虑进行烟雾检测的研究。对此,采用局部二值模式(LBP)特征提取与支持向量机(SVM)分类器结合的方法进行烟雾检测,从而对林火进行初步判别。(2)建立两组模型实现了基于CNN的烟雾及火焰检测。为了在火灾发生初期就能准确识别,根据卷积神经网络(CNN)具有通过局部感受域、权值共享、池化等特点,本文提出了基于CNN的无人机森林火灾检测方法,为了对烟雾及火焰同时进行检测并提高准确率,建立了CNN-9及CNN-17模型。(3)考虑了图像预处理对卷积神经网络检测性能的影响。在将图像输入CNN网络之前,为了增强相关信息的可检测性并最大程度上简化数据,对其进行了图像预处理相关的操作,如直方图均衡化、平滑低通滤波等。通过对真实的森林火灾图像进行检测实验,验证了所提出的方法的有效性,即直方图匹配及邻域平均法的确可以提升林火检测的准确率。(4)以SqueezeNet为骨干网络,优化模型后进行了火焰区域分割。在测试实验中,利用实际拍摄的林火数据集对深度学习模型进行训练,并进行了单幅图像的林火检测实验,实验结果表明,所提出的网络实现了图像中火焰区域的准确定位,从而有效地检测早期森林火灾。