在现实生活中,火灾突发性难以控制,特别是野外森林火灾的发生后不仅会使自然生态系统遭到严重破坏,而且还会对人类生命财产构成了严重威胁。由于烟雾的出现早于火焰之前,所以它们的早期发现是有效控制火灾蔓延的关键。因此,设计一种有效的早期森林火灾烟雾的检测预警系统能够对保护生态环境、减少潜在的人员伤亡和财产损失起着至关重要的作用,且具有重大的理论和现实意义。本文主要研究野外复杂森林场景中的早期火灾烟雾,相比于室内近距离的视频烟雾检测则面临着更大的难度和挑战。首先,由于野外森林环境空间范围广及自然环境的不确定性因素,不利于森林早期火灾烟雾的检测;其次,由于森林早期火灾烟雾发生点的距离远、烟雾出现的范围小、形态学特征不明显且烟雾是非刚性物体等因素也导致了早期野外林火烟雾检测难度较高。因此,本文针对复杂森林场景中的早期火灾烟雾检测技术难点,重点研究了林火烟雾检测的运动区域检测和特征提取与分类识别算法,本文的主要研究内容如下:(1)针对目前检测方法适应性不强、在复杂环境下检测识别率不高的问题,提出了一种基于多特征融合的早期林火烟雾检测方法。该方法首先通过一种结合改进的四帧差分法和高斯混合背景建模的算法提取运动前景;然后提取烟雾颜色特征、小波变换分析和局部二值模式(Local Binary Pattern,LBP)纹理特征,利用多特征线性融合并通过k最近邻(k-Nearest Neighbor,k NN)分类算法进行识别。通过在不同视频场景中的实验,证明了该方法在烟雾检测能力上的有效性。(2)针对传统的烟雾检测方法只能依靠人工设计并提取烟雾特征,然后通过分类器进行分类识别,导致很难提取出烟雾有效的本质特征等问题,设计了一种基于卷积神经网络的林火视频烟雾检测算法。算法首先根据提出的运动目标检测方法来缩小烟雾检测区域的范围,即识别可疑烟雾区域。接着在识别出可疑区域后,利用深度卷积神经网络提取可疑区域的特征向量,最后将提取到的最有效特征通过分类层实现烟雾检测。(3)针对卷积神经网络目前只能提取烟雾视频输入的空间特征而不能充分利用视频中烟雾的运动信息等问题,提出了一种基于时空域深度神经网络的林火视频烟雾检测研究方法。该算法利用卷积神经网络(Convolutional Neural Networks,CNNs)和循环神经网络(Recurrent Neural Networks,RNNs)组合的视频烟雾检测框架来捕获烟雾在空间域和时间域中的特征信息。算法首先利用空间流网络部分对运动区域自动提取特征后进行初步的空域的判别,接着在将空域判断为有烟的基础上进一步通过时间流网络和循环神经网络部分累积一组连续帧之间的运动信息以区分烟雾和非烟雾区域。本文与现有的使用深度卷积神经网络模型(只提取烟雾空间域特征的方法)进行了对比实验,实验结果的分析表明,本文所提出的方法检测结果比仅提取空域特征的卷积神经网络模型高;最后通过在多个视频场景下的实验验证了该方法的有效性,并且在视频烟雾检测能力上有所提高。