以往的火灾检测方法大多只是基于烟雾理化性质的接触式烟雾检测方法,这些接触式烟雾检测器只能安装在诸如酒店、列车车厢等狭小的室内环境中,对于许多较大的室内空间和室外空间如森林、仓库等易发火灾的区域,这种接触式检测器不能有效地覆盖整个区域,且根据烟雾传播在不同场景中的速度不同,这种接触式检测器的时效性也受到许多质疑。随着摄影设备在日常生活中的广泛应用,远距离数据传输的大量普及和数据传输速度的提高,人们可以随时随地获取任意时段任意地点摄像机摄入的视频影像,这为一些特殊地点的火灾安全检测提供了条件。基于图像的烟雾检测方法主要是为了寻找一种以视频图像为基础的自动烟雾检测技术,为一些特殊区域提供全时段的视频监测,这种方法具有实时、受环境约束小并能够提供形象化图像信息的优点,目前正受到越来越广泛的关注。从目前的许多关于烟雾检测技术的相关文献中我们可以看出,几乎绝大多数的烟雾图像获取方法都是通过摄影设备得到的,而这些视频数据的动态信息往往被人们所忽略。无论是烟雾整体的运动还是其内部的运动,合理地利用这些动态信息可能会大大提高烟雾的检测精度。考虑到这一问题,本文提出一种基于视频序列的烟雾时序变化的烟雾检测方法。在本文烟雾检测流程中,首先选用一些简单高效的检测方法检测出每张图像上的疑似烟雾区域,利用背景差分的方法检测视频序列中每一帧图像上的变化区域,并通过连通域分析将发生变化的像素点连接从而形成一个个单独的运动物体,再对这些运动物体进行RGB颜色特征检测确定出每张图像疑似烟雾的物体。通过上述简易检测方法,可以将烟雾图像与大部分物体进行区别,但一些与烟雾颜色类似的物体仍然无法被区分。所以在完成单张图像的检测后,即进入到时序检测过程之中。为统计疑似区域的变化特征,需要先对连续的视频图像之中的所有运动物体进行实时的跟踪,记录并存储疑似区域的面积和边界信息,通过该区域的面积和边界的变化趋势判别该区域是否为烟雾区域。变化特征的选取主要是依据实验观察得到的烟雾变化特征,烟雾的传播过程中属于一种固体可燃物质燃烧化作固体粒子在空气中传播的过程,传播过程中其面积是在不断地发生膨胀,并且由于烟雾是属于一种空气中的流体,不具有固定的轮廓,即其轮廓在运动过程中随时在发生变化,所以烟雾的边界会区别于一般的刚性物体,总是在不断地发生变化。在分类方法上,本文选用Adaboost分类算法训练得到适宜的烟雾检测分类器,Adaboost分类算法是一种通过不断迭代寻求最佳值的分类算法。利用Adaboost分类算法可以从多个烟雾样本中寻找到烟雾面积和边界变化率的最佳值,从而将其应用到烟雾检测的主程序之中。最后通过多次实验验证本文烟雾检测方法的有效性,所选的实验数据为部分训练样本和实地拍摄的视频段,将这些视频段输入烟雾检测分类器并记录分类器的各项数据。为了更加直观地了解到本文算法的性能,实验阶段还选取了几种不同的烟雾检测算法来进行对比分析,其中包括基于单帧图像的烟雾特征检测算法和基于光流法的烟雾运动方向检测算法。实验结果表明,在室内环境下,本文算法正检率在94%上,误检率低于5%,漏检率低于2%,室外环境下烟雾的检测算法正检率在90%以上,误检率低于7%,漏检率低于2%。与基于单帧图像的烟雾特征检测算法相比,本文算法的检测精度大大提高。同时由于本文采取了Adaboost分类算法进行训练得到的分类器,在检测效率上本文算法也大大提升。实验结果显示,基于光流法的烟雾运动方向检测算法每张图像的平均检测时间在4.3s左右,而本文所设计的检测方法每张图像的平均检测时间达到了2.1s左右,每段视频的检测时间大大缩减。由此可知,本文的烟雾检测算法具有一定的实用性。