摘要：火灾的预警问题一直是件大事，尤其是在户外，往往因为来不及遏制源头，就会引发来势汹汹的山火，不仅要会造成大量的财产损失，甚至还会牺牲救火人员的性命。目前通常靠通过检测火灾烟雾来判断是否发生火灾，而由于户外经常会伴有大雾及雾霾等不确定因素，因此借助计算机来分析室外大雾环境下的火灾烟雾的图像，以此推测出火灾烟雾的有效信息的方式，受到了国内外研究学者的广泛关注。本文首先讨论了检测烟雾的技术，包括训练，特征提取以及分类识别等步骤；其次分析了随着技术的不断成熟，未来将会给检测带来怎样更进一步的发展的可能；最后还简要分析了下目前识别技术所面临的挑战以及未来将要如何应对的措施，为今后的研究不断进步提供了新的思路。
关键词：机器训练；图像识别；分类识别；特征提取
引言
火灾一直是个严重威胁人民生命财产的灾难，在当今的城市之中，大多数楼道间都会安装有烟雾传感器以及相应的喷头以起到将小火苗扼杀于摇篮之间的目的，但是在室外，尤其是在一些深山老林中，想要安装足够的传感器和喷头显然是不现实的。传统的火灾探测器通常是基于感温、感烟和感光等探测设备进行火灾的检测，只能对特定的 某个信息特征进行判断，容易受到环境和空间的影响，在空旷的场景中或恶劣的环境下，受温度、烟雾 浓度等影响，传感器信号的传送速度较慢且信号变弱而失效，因此识别效果差、误报率高[1,2]。
- 近年来随着计算机水平的不断发展，深度学习已经在多个领域开始被广泛运用，已然成为模式识别的热门研究。烟雾和火灾信息都是火灾发生时最为重要的视觉信息。视频烟雾探测技术因其响应时间短、灵敏度高、覆盖面积大等优势，已成为一种新型的森林火灾探测和预警方法，有着广泛的应用前景，备受国内外研究者关注[3]。
2 研究现状
早期多使用传统的传感器对火灾进行预警功能，利用其对温度或烟雾颗粒等的敏感，当探测到相应的信息时就会触发报警装置。虽然这些传统的探测器价格便宜，并且在探测速度上和精度上各有优势，但传统的烟雾传感器在户外开放空间难以达到良好的检测效果[4]。尤其当处于类似雾霾，大雾等天气时，会由于受到天气的干扰而大大降低其灵敏性。因此在户外使用传感器来预防火灾显然不是最合适的方法。
因此人们开始转向选择使用监控摄像机来对拍摄到的画面进行实时分析，这样不仅可以降低受到环境，气候及光线的影响，同时还可以缓解护林人员双眼的疲劳。对于开阔环境和森林火灾的探测，运用模式识别不仅弥补了传统探测器不足还大大提高了精确度，可以及时的提供烟雾的发生的位置及大小的变化。
烟雾识别方法
2.1.1基于智能图像化火灾烟雾的检测
近些年在烟雾检测方面，智能图像化有了许多的研究，如Gubbi[5]等人提出了小波变换来分解待测视频中单帧图像的方差、均值、梯度等特征;Toreyin[6]等人提出利用双层二维小波变换提取高频能量的大小来判断是否有烟雾；李红娣[7]等人将边缘特征EOH与纹理特征LBP相结合作为联合特征输入到了SVM中训练，得到了86.5%准确率的模型。
上述对于传统识别方法的应用由于存在特征选取的不确定性，计算量复杂且普遍存在精确度不够，适应力不强，计算能力低下的问题，所以不利于烟雾识别的进一步研究。
2.1.2基于深度学习与CNN神经网络的烟雾识别
深度学习（Deep Learning[8]）是机器学习的一个分支，通过使用简单处理的数据作为模型输入，并将原始数据逐层抽象为模型任务所需的最终特征表示，从功能到任务目标的映射[9]。经常听到的CNN[10]便是深度学习中的一种重要算法。CNN是一个由输入层、卷积层、池化层、全连接层和输出层组成的多层神经网络,它非常适合用于识别二维图像，通过输入图像到卷积层后得到特征，之后进行降维，最终可以实现分类的功能。
目前，对于识别烟雾来说，如王飞[11]所使用的Faster RCNN C3D的烟雾检测算法，它是通过Faster RCNN提取静态特征，其中的RPN区域推荐网络可以得到具有评分的候选区域，再通过输入到三维卷积神经网络可以得到更多的动态特征，并能够更加准确的进行分类。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
