随着人工智能技术与计算机视觉的发展也越来越成熟,同时有相关统计,每年将会有大量的吸烟人患上肺癌等重大疾病。我国没有明文禁止吸烟的法律法规的颁布,吸烟行为受到很多青少年的追捧,人们都知道吸烟不仅危害自身同时影响周围人们的身心健康,因此很多公共场合只能通过禁止吸烟标识、人为监督等方式来进行提醒,进行人为监督需要耗费巨大的人力财力,并不能有效的进行实时制止,因此有必要采用监控技术进行检测无烟区域,减少更多的人力物力资源的浪费,根据日常抽烟的手势情况,本文采用视频监控的方式提出基于手势识别的监控场景下抽烟检测的方法,能够更好的及时提醒抽烟人群。本文的主要工作如下:(1)对传统的基于视觉的手势识别算法的手势检测算法研究分析。传统的手势检测算法主要是以阈值分割为主的肤色分割模型和以深度学习为方向的图像分割技术为主,肤色分割技术主要通过不同颜色空间的转换(例如:RGB->YUV),根据统计肤色在颜色空间的分布以及对光照等影响敏感程度进行区分手势目标。基于深度学习方向主要是以全卷积网络为框架下的语义分割算法,通过对图像各个像素进行推断分类,从而进行预测标签,分割出不同的目标;然后通过卷积神经网络提取特征与分类器相结合进行手势识别。(2)基于手势识别进行抽烟检测的应用当中目前面临香烟和手在远离监控设备时出现目标在图像中所占比例以及本身绝对尺寸小问题出现小目标检测困难。针对小目标自身特点,以及人们抽烟手势的特点,本文采用基于深度学习的图像超分辨率算法进行研究,针对目前图像超分辨率算法主要通过加深网络深度以及结构的变化进行图像重建耗时较长问题,以及在识别任务当中所需内容信息并不是全部图像,因此提出通过结合MTCNN人脸检测算法进行获取图像抽烟手势所在区域进行图像超分辨率重建,在提高目标分辨率同时,可以减少图像重建消耗时间,减少后期输入网络的目标尺寸,可以更好的降低服务器的计算压力,提高计算的速度。(3)对图像的局部进行增强,使用目前主流的但阶段目标检测算法YOLOv3-tiny进行网络训练,提取图像中手势与香烟,但是在精度方面相对较差,通过对网络进行深度加深获取更精细的语义特征同时增加了与网络浅层特征的融合,实现了小尺寸目标的更好的检测效果,虽然计算时间有所增加,但是仍然可以满足实际应用需求。(4)对本文中获取的数据集进行介绍分析,在相同数据集下对传统算法与本文提出算法进行实验结果对比分析,实验结果对比表明,本文算法提出具有很多的检测精度,同时检测速度明显比传统的算法快,具有一定的实际应用价值。