火灾是严重威胁我们生命财产安全和社会发展的灾害之一。传统的火灾报警系统受多种因素影响,存在误报率高,报警不及时等问题,如何改良这些问题,使火灾报警系统更加实用,成为目前研究的热点。传统基于图像处理的火灾检测技术是通过提取火焰或烟雾的特征来识别火焰,且目前特征提取算法存在误检率高,实时性低等问题;当前基于深度学习的火灾检测技术是通过数据集训练出判别火焰或烟雾的判别模型,达到识别火焰的目的,但也存在数据集少、预测速度慢、模型准确率较低等问题。针对这些问题,本文提出了基于迁移学习的火灾图像检测方法研究。1、本文首先分析了几种常用的运动目标检测方法,通过实验选取Vi Be算法进行火焰运动前景的检测,该方法能够快速的建立模型,实现火焰前景的分割;然后分析了常用的几种颜色模型,改进了基于RGB与HSI相结合的颜色模型判别决策,改进的模型能够较完整的提取出火焰区域,并且误检率低;最后提出了基于改进Vi Be和颜色双阈值的火灾区域判别,在火灾图像中引入方格化,在方格内将火焰的运动特征与颜色模型相结合,对判定为火灾的区域进行标记,通过计算联通域,能够准确定位出早期火焰的位置。2、利用深度迁移学习方法,将源域中训练好的模型迁移到火灾检测领域。首先获取原始视频帧图像作为数据集,并进行裁剪、数据增强以及归一标准化的预处理;接着分别对Image Net数据集上预训练好的Inception V3、Resnet18、Resnet50、Dense Net121以及Densenet169等5种常用网络模型训练,训练数据集为预处理过的帧图像集;再对模型测试和评估,选取迁移能力最优模型进行火灾检测。最后将选取的最优模型与现有的Faster-RCNN、Inception V1-Onfire模型相比较整体分类效果较好,且满足实时性的要求。综上所述,本文提出的基于迁移学习的火灾图像检测方法,能够快速有效的检测火灾,发出较准确的火点位置警报。