蔡春兵，吴翠平，徐鲲鹏

(中国矿业大学(北京) 化学与环境工程学院，北京 100083)

0 引言

传统的气体型、感温型、感烟型和感光型等火灾探测器[1]，依靠火灾中的CO、CO2、温度、烟雾微粒、热和辐射等物理特征来探测火灾发生。因其通常与火源距离较远，导致可靠性与实时性都不足。视频火灾探测技术无需靠近火源，可实现大视野、远距离监控，广泛应用于大型工厂、森林和煤矿等大空间和室外开放空间的火灾探测。

火焰具有明显的视觉特征，传统视频火灾探测算法通常根据火焰的颜色、形状和纹理等静态特征，以及闪烁频率、面积增长、形态变化和移动方向等动态特征进行识别。CHEN T H 等人[2]结合RGB色彩分割和火焰运动特性进行火焰像素的判定。KO B C[3]等人通过检测运动区域和火焰颜色判断来提取候选火焰区域，并对候选区域提取特征，用于训练支持向量机SVM 分类器，实现对火与非火的判定。MEI Z[4]等人通过帧间差分法和火焰颜色模型确定候选着火区域，然后提取火灾候选区域特征组成的特征向量，用于训练BP 神经网络模型来识别火灾。候选区域的特征提取对后续分类器性能的好坏起到决定性的作用，传统视频火焰探测需要人工设计复杂的特征提取方法，在识别率和泛化性能上都有一定的局限性。

深度学习为传统自然语言处理、计算机视觉等领域带来了革命性进步，也必然促进视频火灾探测技术获得突破性进展。深度学习算法可自动提取图像特征，克服了传统视频火灾探测需依靠人工经验提取特征的缺陷。……