视频火灾探测是计算机视觉中一项理论意义与实际价值兼备的重要课题,对烟火事故的消防安全具有重要的实际意义。但由于火灾衍生物的多变性和火灾场景的复杂性,使得火灾的视频探测研究成为一个极具挑战性的工作,目前尚未形成具有普适性的理论和算法。本文主要是进行视频火灾探测方法的研究,旨在提高火灾预警系统的灵敏度,降低误报率,从而更好地对火灾的发生进行早期预警。全文研究内容主要分成四个部分:背景重建与目标的提取分割,静态特征的提取,动态特征的提取和基于BP神经网络的火灾分级检测。在对传统的运动目标检测算法进行深入研究的基础上,分析了高斯背景模型等几类算法的基本原理,然后利用适合本文场景的二级背景模型和背景差分方法,结合数学形态学提取出初始目标,从而去除一些静态因素的干扰。在此基础上,通过对大量火灾的烟雾、火焰图像的调查研究,找出烟雾、火焰在特定颜色空间中的分布,建立了相应的颜色模型,分割出类似火焰、烟雾的区域。本文在对比烟雾、火焰及干扰物的动态特征的基础上,分析了所得分割区域的运动累积量、闪烁规律、运动方向、运动一致性、运动程度等火灾判据,并给出了各种判据的分析和计算方法。讨论了基于BP神经网络的动态特征判据融合方案,首先简单介绍了人工神经网络的内容,随后给出了本文神经网络的特征定义、输入输出单元及设计方案,并利用设计的神经网络实现了动态环境下早期火灾的分级检测。本文采用25个不同条件下的视频作为样本进行训练,并利用训练好的神经网络测试另外的35个视频,其中,有两个视频出现漏判,一个视频出现误判。结果表明,本文方法能在200帧内有效地识别出早期烟雾、火焰,并可以抵抗常见干扰对系统的影响,较好地实现了识别系统的鲁棒性与敏锐性的统一。