火灾是当今社会防灾减灾工作的重中之重,其具有发生频繁、破坏力强、发展迅猛的特点。据统计,每年火灾事故造成数百人死亡与数十亿财产损失,因此及时准确地发现火灾对保障人们生命财产安全具有重要意义。目前,实际应用中多采用烟雾、温度等传感器实现火灾检测,该检测技术具有响应时间长、设备成本高、报警信息单一的缺点。随着机器视觉的快速发展,基于图像的火灾检测技术被提出,其具有响应时间短、检测范围广、成本低、报警信息丰富的优点。本文针对现有视频图像火灾检测算法前景信息丢失严重、误报率高、泛化能力弱等问题,提出一种新的火灾检测算法。该算法主要由前景提取和分类决策两大模块组成。前景提取模块首先利用改进ViBe算法提取运动区域;接着利用随机森林模型将运动区域分为黄色、白色、其他色三类;最后采用SVM对黄色与白色前景区域像素进行分类,以获取精确的前景区域。分类决策模块采用时空特征融合实现前景区域分类。鉴于现有早期火焰特征代表性不足,本文提出两个新的早期火焰时域特征用于描述帧间火焰区域重叠率和火焰区域不同部分运动剧烈程度比率,再结合Hu矩特征训练出决策分类器。但本算法在室外环境中存在少量误报,分析误报图片后发现提取的火焰空域特征过于简单,故本文采用卷积神经网络对前景区域进行分类。实验表明,卷积网络能正确分类上述误报区域图像。鉴于现有火灾检测算法公开的测试视频较少,且无公共视频数据集,本文利用自建的实际火灾与实验火灾视频数据集对上述算法进行测评。实验表明,上述所提算法检测效果良好,满足实时性需求,具有较强的泛化能力和鲁棒性,且对复杂场景依然能实现低误报、低漏报检测,能很好地运用在实际环境之中。