火灾是人类生产生活中最为常见且危害性强的灾害之一,及时有效的火灾预警技术成为近年来研究的重点。随着摄像头的普及,计算机视觉技术的发展与人们生产生活的需要,通过分析监控设备采集的视频实现火灾报警的方法逐步成为火灾检测技术的革新方向之一。与传统的基于传感器的火灾探测技术相比,基于视频内容分析的火灾检测技术不需要另外安装火灾传感器,通过对监控视频进行分析即可实现火情检测,能够避免火灾传感器因传感器灵敏程度低导致的一些漏报与误报情况;同时具有安装简单、探测范围大、不易受环境干扰、火情存档方便、扩展性强、准确性高和实时性强等优点,因此适用于山林、隧道、仓库等空间较为开阔且不适合安装传统火灾传感器的环境。基于上述优势,视频火灾检测技术己经成为当前研究的热点,且随着人工智能、计算机视觉与视频处理技术的发展,越来越高效的火灾检测技术不断出现。视频火灾检测技术主要是通过对视频内容进行分析以提取火焰特征,进行目标识别实现火灾检测。但是由于自然环境的复杂性与随机性,以及火焰无规则的形状与运动特点,目前基于计算机视觉技术的火灾检测方法仍存在误报率高、检测速度慢和抗干扰能力弱等问题。针对目前视频火灾检测技术存在的问题,本文提出一种基于目标提取、多目标跟踪和机器学习的视频火灾检测方法。该方法首先通过高斯混合模型运动检测算法对视频中的运动目标进行提取,再经过HSI与RGB结合的颜色模型对火灾目标进行分别筛选,得到疑似火焰目标,最后通过深度学习算法进行火焰与烟雾的识别,实现火灾检测。针对火灾目标的运动特点,使用基于帧间目标距离匹配的多目标跟踪算法,实现疑似火灾目标的稳定跟踪。为适应复杂场景的火灾检测任务,在火灾识别模块使用卷积神经网络的算法,以AlexNet网络结构为基础,使用微调的方式进行训练,得到具有火焰与烟雾识别能力的网络模型。最后,经实验证明,本文提出的视频火灾检测技术能对各种复杂场景的火灾区域进行有效识别,并排除非火灾物体的干扰,能够适应实时检测火灾的需求,并具有较好的扩展能力与移植能力。