森林火灾是威胁人们生活和财产的自然灾害之一,研究如何有效对森林火灾预警具有重要意义。基于传感器的传统火灾检测技术具有以下缺点:传感器反应时间慢、进行大规模部署成本较高,部署在森林这种开放的空间时,传感器易受灰尘的干扰,造成传感器的失效。基于视频分析的火灾检测技术能够弥补这些不足,做到监控范围广,响应速度快,部署方便。早期火灾的火焰较小,易被高大的树木遮挡,难以被发现。而火灾发生的早期,会有大量的烟雾产生,烟雾在热量的作用下向上运动,不易被树木遮挡,因此,检测烟雾比检测火焰具有更好的检测效果。但是,现有基于视频分析烟雾检测算法存在很多不足:现有烟雾算法对烟雾疑似区域提取不完整;采用阈值法去除非烟颜色干扰物时,易把稀疏烟雾去除掉;对森林等远距离场景中的烟雾,检测效果有限等。针对这些不足,本文做了以下工作:(1)针对烟雾运动目标提取不完整的问题,本文提出了一种基于“背景反馈”的烟雾运动目标提取算法。对比分析了现有烟雾检测算法中常用烟雾运动目标提取算法提取烟雾区域的效果,针对提取的烟雾运动目标存在不完整及空洞的问题,本文建立了两个更新速率不同的背景模型,检测到烟雾目标后,使用更新慢的背景模型对另一模型进行反馈。实验结果表明:本文算法能够比较完整的提取出烟雾区域。(2)针对阈值法去除非烟颜色干扰物时,易将稀疏烟雾的像素去除掉的问题,本文采用聚类算法K-means去除非烟颜色的干扰物。由于烟雾的半透明性,背景的颜色会影响烟雾颜色,尤其是稀疏烟雾,阈值法易将这部分像素去除掉。对此,随机挑选出烟雾图片中的像素并训练K-means模型,得到每簇的聚类中心,计算新获得像素与每簇的聚类中心的欧式距离,以此判定像素是否为烟。实验结果表明:K-means算法能够有效识别稀疏烟雾。(3)针对现存烟雾检测算法对森林这种远距离场景中烟雾检测效果不佳的问题,本文提出了基于K-means和多特征融合的野外烟雾检测算法。首先,利用基于“背景反馈”烟雾运动目标提取方法和K-means算法获得完整的疑似烟区;然后通过LBP(局部二值特征)和HOG(梯度方向直方图)的融合特征、烟雾区域增长分析、空间能量分析分别计算疑似烟区的置信度;最后,使用动态得分评判机制组合所获得的置信度以获得更好的分类器。实验结果表明:本文提出的算法能够更早地检测烟雾并获得较低的误警率。