火灾是指在时间或空间上失去控制的灾害性燃烧现象。我国每年共接报数十万起火灾事故,这严重危害着人们的生活发展与地球上的生态资源。因此火灾识别与预警技术已成为世界各国安防领域十分关注的研究课题。目前已有的火灾识别及预警技术主要分为两大类,一类是基于传感器的火灾识别方法,另一类是基于图像处理及神经网络的火灾识别算法。为了寻求能在各类复杂场景下仍有良好识别率的火灾识别算法,本文提出了基于3D卷积神经网络的复杂场景火灾识别算法。该算法在时间维度上,将连续帧堆叠成立方体进行卷积,融合火焰及烟雾的动态信息,准确实现火灾识别,具有创新性及实用意义。本课题的主要研究内容如下。为了更好地提取火灾目标,对传统的背景建模知识做了简单地介绍,使用帧间差分法、背景差分法、光流法、高斯建模法等进行运动目标检测,这些方法通过分析视频图像的底层特征,构建背景模型来分割出运动前景,并给出运动前景的位置、大小、形状等信息,并随时间不断更新目标模型[1]。考虑到在复杂火灾场景下的背景建模的难点,提出使用基于加权灰度熵差的分区域曝光算法进行背景建模,火灾场景下图像具有高亮度、对比度较大等特点,采集到的视频图像会出现曝光失准的情况,所以本文在进行火灾识别前先使用曝光算法将采集到的图像调整至一个合适的曝光下,保证图像的质量,更有利于后续的处理。同样可使用加权灰度熵差作为背景建模的标准,有效地定位火灾位置。详细介绍了基于3D卷积神经网络的火灾识别算法设计,该算法不同于传统神经网络,其通过在神经网络的输入中增加时间这个维度,更加直接地提取了火灾的动态特征,赋予神经网络动态识别的能力,提高火灾识别准确率。最终通过实验,完成了数据采集时的背景建模、火灾场景下的目标提取等预处理步骤,设计了整个3D卷积神经网络,并进行算法对比,验证了本文提出的火灾识别算法的优势。