刘 通，程江华，华宏虎，罗笑冰，程 榜

(国防科技大学 电子科学学院， 湖南 长沙 410073)

快速检测烟雾有利于及早发现火灾，降低火灾危害。传统的烟雾传感器需要烟进入传感器且浓度达到一定程度才能检测到烟雾，难以在室外开放空间使用。基于视觉的烟雾检测技术不受空间限制、覆盖区域大、成本低，是室外烟雾检测研究的主要方向[1]。就烟雾目标的视觉表现而言，颜色[2]、纹理[3]和运动[4]特征是常用的烟雾检测特征，基于这些传统特征检测烟雾目标通常具有复杂度低、检测效率高的优点，但往往检测正确率偏低，因为烟雾的颜色、纹理特征并不显著，运动特征受自然界的其他物体运动干扰较大，自然界中存在许多与烟雾类似的目标，如云等，导致烟雾目标的可靠检测非常困难。采用深度学习提取图像或者视频中的烟雾目标的深度特征，相比传统特征而言不受人为选择影响，特征泛化能力更强，在大数据集下性能通常优于传统特征，是近些年烟雾检测的主流方法。常用的卷积神经网络(Convolutional Neural Networks, CNN)、区域卷积神经网络(Region-CNN, R-CNN)等网络模型都可以用于烟雾目标的检测[5]，也有专门针对烟雾特性优化的深度网络模型，如深度归一化卷积神经网络(Deep Normalization and Convolution Neural Network, DNCNN)[6]。该网络将传统CNN中的卷积层改进为批规范化卷积层，有效地解决了网络训练过程中梯度弥散和过拟合的问题，以此加速训练过程和提高检测效果；并且对训练样本进行了数据增强，从而解决正负样本不平衡和训练样本不足的问题。……