火灾作为最常见的灾害之一,严重威胁着人们的生命财产安全。及时检测火灾并预警,一直是火灾防治领域的重点研究课题。传统的温感、烟感、光感等火灾探测器检测范围有限,易受外界干扰,难以适应复杂特定环境的火灾探测要求。针对这类问题,以视频图像处理为基础,结合浅层机器学习与深度学习相关理论,设计了两种基于视频图像的火灾检测方法:基于浅层机器学习,设计了一种多特征融合的BP神经网络火灾检测方法。首先,使用动态检测和颜色判据分割火灾的疑似区域;然后,基于疑似区域提取火焰的颜色、形状、纹理等静态特征和面积变化率、闪烁频率等动态特征,组成特征向量;最后,将特征向量传入BP神经网络,完成火灾有无的判断。网络训练过程中,通过使用正则化因子提高网络的泛化能力。实验结果显示,基于BP神经网络的火灾检测方法对火焰图像具有较好的识别效果,能够实现火灾的检测及预警。基于深度学习,设计了一种融合滑动窗口的残差卷积神经网络火灾检测方法。使用卷积网络自动提取图像上的火焰与烟雾特征信息,利用残差块结构避免了深层网络中常出现的梯度消失问题,同时结合滑动窗口技术,实现火灾图像的识别与定位。网络训练过程中,使用迁移学习技术初始化网络参数,加速网络在小样本情况下的训练过程。实验结果显示,基于残差卷积神经网络的火灾检测方法分类识别效果显著,相比BP神经网络,残差卷积神经网络检测准确率更高,环境适用性更强。