现如今,每年发生的火灾已成为对公众安全和社会发展极具威胁的灾害之一。为有效的避免火灾,工作人员必须在烟雾出现时及时准确地检测烟雾并进行火灾预警,以做到“防患于未燃”。然而,在复杂环境下对特征(形状、纹理、密度等)多变的烟雾进行检测具备一定的挑战性。与此同时,若想要进行实时火灾监测,必须对烟雾视频进行处理。因此,在复杂场景下对具有多变特性的视频烟雾进行实时检测是一项极具挑战的任务。本文主要利用计算机视觉相关技术,结合一些传统算法对复杂场景视频烟雾进行检测,主要研究内容如下:(1)数据集的整理:由于目前烟雾检测还没有统一的公共数据集,所以前期通过各大网站收集烟雾视频和图像数据,整理后得到4个用于测试检测算法效果的烟雾视频数据集(16段视频)和7000张用于训练、测试深度网络YOLOv2的静态烟雾图片,并对其进行标注。视频集包含了多种环境下的干扰因素,能够较好的验证算法鲁棒性,同时也为复杂场景烟雾检测的研究提供了数据资源。(2)运动和颜色特征的提取:对视频烟雾的运动特性及颜色特性进行分析验证,结论如下:烟雾一般具有向上运动的趋势;在HSV颜色空间中,视频烟雾图像的饱和度S较低,且当烟雾出现时图像背景的明度V有升高趋势。针对以上特性,本文结合高斯混合模型(GMM)和HSV颜色特征分析提取视频中疑似烟雾区域。(3)基于深度卷积神经网络的烟雾检测:本文采用深度卷积神经网络YOLOv2作为初步的视频烟雾目标检测器对烟雾图像进行检测识别,从而避免了人工选择烟雾特征单一和算法鲁棒性差的问题。总之,本文算法可以实现对复杂场景下视频火灾烟雾的预警,通过几组对比实验,验证本文所设计算法的有效性。实验结果证明:该方法针对复杂场景火灾烟雾的检测可大大降低误检,相比其他方法具有较高的准确率。