森林是人类宝贵的自然资源,而森林火灾突发性强、蔓延速度快、扑救困难,其对森林以及森林周边的危害最大。因此林火监测工作至关重要,基于视频图像的森林火灾监测技术近年来得到较快发展并被广泛运用。火焰是森林火灾的主要视觉特征,因此本文从细粒度角度出发,以提高火焰像素检测精度为目标,研究包含枯草、光照等复杂环境下森林火灾视频图片的火焰区域检测新方法,可通过检测的火焰区域判断火灾,并为预测火灾发展态势与蔓延趋势提供更精确的火焰区域,从而为火灾扑救提供有力的技术支撑。火焰颜色通常集中在红黄之间,且有着闪烁特性,因而目前提取火焰区域方法大多基于火焰的颜色特征和运动特征。但在野外山林环境下常有大风,某些符合火焰颜色模型的非火焰对象因风吹动会被误判为火焰;并且无风时燃烧较稳定的火焰像素闪烁不明显,因此视频图片中某一区域在短时间内持续为火焰时,运动目标检测方法易出现漏检,这种漏检现象常发生在火焰区域内部,尤其是近白色焰心表现较明显。因此本文研究基于火焰颜色特征与纹理特征的火焰区域检测方法,本文主要研究内容如下:首先提取疑似火焰区域。在强烈阳光背景下剧烈燃烧的火焰在结构上表现出由内向外的白-黄-红的环形颜色变化,这时会有近白色的焰心出现,与选取的火焰颜色模型有明显区别,导致火焰区域分割不完整。本文针对近白色焰心漏检问题,建立一种有效的通用火焰颜色模型,可使火焰从与其有颜色差别的背景中分割出来,从而得到疑似火焰区域。其次提取火焰纹理特征。将疑似火焰区域图片切割成一定大小的图像块,利用非下采样小波变换与灰度共生矩阵方法对每一图像块提取纹理特征,并将该纹理特征提取方法与其他方法进行比较,结果证明本文纹理分析方法更加有效。然后对图像块进行分类,得到初步火焰区域。本文采用基于AdaBoost-SVM算法的林火火焰识别模型,将图像块分类为火焰小块和非火焰小块,保留火焰小块即得到初步火焰区域。实验结果证明AdaBoost-SVM算法的识别效果要优于SVM算法。最后优化初步火焰区域,得到最终的火焰区域。本文提出一个优化方案以解决火焰区域的漏检和误检,尤其是与本文选取的火焰颜色模型结合后,可解决上述焰心漏检问题。最终实验结果表明,本文方法能够较为准确有效地从各类非火焰背景中提取出火焰区域。