火灾一旦发生,会迅速蔓延发展,吞食人类的生命和财富,破坏地球的生态环境。火灾探测是火灾预防中的关键环节,对减少灾害损失能起到重要作用。目前应用最广泛的火灾探测系统中多使用传统的感温、感烟探测器,但随着社会经济的发展,人们对火灾探测提出了更高的要求。一方面是需要火灾探测的场所增多,如商业综合体、候机楼等高大建筑,广袤的森林、草场等户外场所,另一方面需求是探测效果的提升,例如实现更早探测、可视化智能探测等。视频火灾探测技术是目前比较先进的一种火灾探测方式,特别是在目前深度学习给计算机视觉和人工智能带来重大突破的背景之下,比火焰探测更具优势的视频烟雾探测技术有望取得长足进步,逐渐走向实际工程应用。在视频烟雾探测领域,基于深度学习的视频烟雾探测方法研究刚刚起步,目前还处于传统方法与深度学习方法并存的状态,本文通过对传统的烟雾纹理特征和卷积神经网络烟雾探测技术进行深入研究,为视频烟雾探测技术走向实际应用提供理论和技术支撑。具体研究内容如下:(1)发展了一种基于不规则运动区域动态纹理烟雾探测算法。在火灾实验室标准间内设计实验,使用棉绳和正庚烷作为燃料,拍摄白色和黑色烟雾,以及行人等干扰物的高清视频,建立烟雾动态纹理的训练库和测试库。首先使用滑动窗口的方式进行烟雾探测,基于背景减除法提取运动前景,根据运动面积确定尺寸为100像素×100像素的疑似烟雾块,使用LBPTOP描述子对疑似烟雾块提取动态纹理特征向量,并用支持向量机进行训练和分类,实验结果表明滑动窗口块处理方式受块的尺寸、运动比例系数和帧判定规则等要素的影响很大。而将一帧图像作为整体,直接基于不规则运动区域提取烟雾动态纹理,可以避免这些问题,实验结果表明,该方法在保持较高探测率的同时,极大降低了误报率。基于该方法,进一步对LBPTOP、VLBP、CVLBP等描述子从编码模式、采集点数等方面进行了性能比较。(2)提出并发展了合成烟雾图像生成训练数据的方法,并用合成烟雾图像进行了基于二维卷积神经网络的烟雾探测研究。深度卷积神经网络训练需要大量样本,为解决烟雾视频数据缺乏的问题,使用Blender模拟烟雾和烟雾浓度测量两种方法获取烟雾样本,再将烟雾样本插入森林背景中得到模拟合成烟雾图像数据集和真实合成烟雾图像数据集。首先用这两个数据集训练了用于目标检测的区域卷积神经网络(Faster RCNN),并进行了测试实验,实验结果表明,合成烟雾图像训练的Faster RCNN模型对浓度较高、距离较近的烟雾探测率可达到99%以上,但对浓度较低、距离较远的烟雾探测率只有50%左右。然后用合成烟雾数据集及手工标注的烟雾分割数据集分别训练了用于语义分割的全卷积神经网络(FCN),并进行了测试实验,实验结果表明,合成烟雾训练的模型无法分割真实烟雾,手工标注的真实烟雾数据集训练的模型可以分割烟雾,但对灯光等白色干扰物体会分割错误,所以全卷积网络不适合单独用于视频烟雾探测。(3)提出并发展了一种基于三维卷积神经网络的视频烟雾识别方法,并设计相应视频烟雾探测系统。针对二维的区域卷积神经网络只能提取图像中的空间信息而导致误报漏报仍然存在的问题,使用三维卷积神经网络提取烟雾视频序列的帧间时间信息来对烟雾进行二次识别。首先设计非极大融合算法改进Faster RCNN,实现FasterRCNN输出的目标框能包含烟雾边缘而保留重要的运动信息,且目标框互不重叠而避免时空特征的重复提取。根据目标帧上目标框的位置,截取疑似烟雾视频序列作为三维卷积网络的输入,使用三维卷积提取的时空特征判断目标属性实现烟雾识别。实验结果表明,三维卷积神经网络显著提升了探测效果。数据处理方面,改变图像亮度等数据扩增方法、基于光流法的运动信息强化、中间层特征结合FasterRCNN评分等方法,都起到了提升探测效果的作用。网络结构方面,对于数据量少、内容单一的烟雾探测,卷积网络过深会导致过拟合而降低探测准确率,网络宽度则影响时间信息的融合速度,更宽网络能保留更多时间信息,提升了探测效果。使用双路三维卷积神经网络的识别框架,对疑似烟雾视频序列的识别准确率达到95.23%,误报率低至0.39%,本文最后设计了一个视频烟雾探测系统用于算法的检验和改进。