168信息：技术与应用信息记录材料2022年12月第23卷第12期0引言火灾一直是人类生产生活中危害最大的灾害之一，在火灾发生的初期对火苗进行有效检测有助于预防火势蔓延，防止灾难性事故发生，具有重要的实际意义。近些年，随着计算机视觉技术的快速发展，以光学传感器为基础监测单元的视频火苗检测技术逐渐成为火灾防控的重要手段。基于计算机视觉技术的火苗检测方法主要分为两种，一是通过提取图像中的火苗特征，使用分类算法对提取的特征进行分类，二是基于深度学习的火苗检测算法。Foggia等[1]采用颜色、形态变化、运动来对各个区域进行判别，根据权重的投票策略进行综合决策，该方法主要应用于固定的视觉系统。刘小虎等[2]采用改进的Soble边缘检测算法，选取颜色B分量的边缘梯度作为判断火焰和干扰图像的依据。李巨虎等[3]在颜色特征的基础上，提取图像空域和频域的纹理特征，该算法能够提取火焰局部的微纹理信息，表现出更好的鲁棒性。Khalil等[4]结合RGB和CIELab颜色模型，通过计算火焰的运动及增长趋势判断火灾危害等级。Torabian等[5]提出一种RGB概率模型来分离每帧图像中与火灾区域颜色相似的运动区域，从候选区域中提取相关系数、互信息等时空特征，使用SVM分类器对候选区域进行分类。王彦朋等[6]提出了基于熵值加权支持向量机的火焰检测方法。李欣健等[7]提出基于YOLO的火焰检测方法，使用深度可分离卷积改进火焰检测模型的网络结构，并使用多种数据增强技术与基于边框的损失函数以提高精度。张弛等[8]提出一种基于改进混合高斯模型（GMM）和多特征融合的视频火焰检测算法。严忱等[9]提出了一种融合多级特征的视频火焰检测方法，针对下采样分辨率变小导致丢失目标的问题，引入了反卷积模块，并融合深层具有较强语义信息的特征和浅层具有较强细节信息的特征，从而有效提高了火焰的检测率。与传统手工提取特征的方法相比，深度学习在目标检测领域具有抗干扰能力强、准确率高的优点[10]，但对于设备的要求较高，不便于应用在嵌入式系统中。因此，本文采用HSV颜色空间，通过欧式距离与外接矩形中心点判断火苗区域，对火苗的动态特征、静态特征、纹理特征等进行多特征融合，从而实现有效的火苗检测。1基于HSV颜色模型的多特征融合火苗检测通过嵌入式硬件设备控制摄像头获取到图像，将获取的第一帧图像作为背景，获取的后续帧图像通过背景差分法，滤除非动态信息，得到动态变化的区域（如飘动的火苗），在HSV颜色模型下进行疑似火苗判别，判断出...
