CN104050478A - 烟雾检测方法与系统 - Google Patents

Abstract

本发明提供一种烟雾检测方法与系统，首先对视频序列进行运动区域提取，然后对运动区域提取小波特征以及亮度值特征，形成多个多维新组合的特征向量组，最后根据多个多维新组合的特征向量组，检测所述运动区域是否产生烟雾。整个过程中，通过分析这样一种新的组合特征向量组来确定是否有烟雾发生，利用多个小波特征和亮度值特征来检测，能够高效、高灵敏度来检测是否有烟雾发生，能够及时、准确表征火灾发生情况。

Description

烟雾检测方法与系统

技术领域

本发明涉及火灾检测技术领域，特别是涉及烟雾检测方法与系统。

背景技术

火灾是一种给人类带来严重损失的灾害，而烟雾作为火灾发生初期的表现，准确地识别烟雾显得尤为重要。

目前，比较成熟的传统烟雾检测方法是基于传感器的探测技术，常见的有感烟、感温、感光、感湿、感声等烟雾探测器。但是这些基于传感器探测技术的探测器必须在烟雾点附近才能准确的检测出烟雾，易受监控环境的面积、温度、湿度和气流等因素的影响，而且只有烟雾达到一定的浓度后才能被探测器检测到，所以传统的探测器的应用范围受到了较大限制。

可见现有的烟雾检测方法存在检测灵敏度低，无法及时、准确反映火灾发生情况。

发明内容

基于此，有必要针对现有的烟雾检测方法存在检测灵敏度低，无法及时、准确反映火灾发生情况的问题，提供一种检测灵敏度高，能够及时、准确表征火灾发生情况的烟雾检测方法与系统。

一种烟雾检测方法，包括步骤：

获取烟雾检测视频图像，并分析烟雾检测视频图像序列，获得所述烟雾检测视频图像的像素点；

对所述烟雾检测视频图像中的像素点进行运动区域检测，获取所述烟雾检测视频图像序列中的运动区域；

标记所述运动区域，对每个所述运动区域中的视频图像进行特征提取，得到多个多维新组合的特征向量组，其中，所述特征包括m维小波特征和n维亮度值特征，所述m和所述n均为正整数；

根据所述多个多维新组合的特征向量组，检测所述运动区域是否产生烟雾。

一种烟雾检测系统，包括步骤：

获取分析模块，用于获取烟雾检测视频图像，并分析烟雾检测视频图像序列，获得所述烟雾检测视频图像的像素点；

运动区域获取模块，用于对所述烟雾检测视频图像中的像素点进行运动区域检测，获取所述烟雾检测视频图像序列中的运动区域；

特征向量组获取模块，用于标记所述运动区域，对每个所述运动区域中的视频图像进行特征提取，得到多个多维新组合的特征向量组，其中，所述特征包括m维小波特征和n维亮度值特征，所述m和所述n均为正整数；

检测模块，用于根据所述多个多维新组合的特征向量组，检测所述运动区域是否产生烟雾。

本发明烟雾检测方法与系统，首先对视频序列进行运动区域提取，然后对运动区域提取小波特征以及亮度值特征，形成多个多维新组合的特征向量组，最后根据多个多维新组合的特征向量组，检测所述运动区域是否产生烟雾。整个过程中，通过分析这样一种新的组合特征向量组来确定是否有烟雾发生，利用多个小波特征和亮度值特征来检测，能够高效、高灵敏度来检测是否有烟雾发生，能够及时、准确表征火灾发生情况。

附图说明

图1为本发明烟雾检测方法第一个实施例的流程示意图；

图2为本发明烟雾检测方法第二个实施例的流程示意图；

图3为本发明烟雾检测系统第一个实施例的结构示意图；

图4为本发明烟雾检测系统第二个实施例的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下根据附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施仅仅用以解释本发明，并不限定本发明。

如图1所示，一种烟雾检测方法，包括步骤：

S100：获取烟雾检测视频图像，并分析烟雾检测视频图像序列，获得所述烟雾检测视频图像的像素点。

烟雾检测视频图像数据可以从监控摄像头拍摄的图像数据中获取。对获取到的烟雾检测视频图像数据进行分析处理，得到烟雾检测视频图像的序列，再进一步分析烟雾检测视频图像序列，获得烟雾检测视频图像的像素点。

S200：对所述烟雾检测视频图像中的像素点进行运动区域检测，获取所述烟雾检测视频图像序列中的运动区域。

在对视频烟雾的检测过程中，首先要检测视频图像序列中运动区域，其目的是从视频图像序列中将运动区域从背景图像中提取出来。为了准确、高效获取运动区域，需要对所述烟雾检测视频图像中的像素点进行运动区域检测，可以采用的方法包括但是不限于光流法、帧间差分法和背景差分法。

S300：标记所述运动区域，对每个所述运动区域中的视频图像进行特征提取，得到多个多维新组合的特征向量组，其中，所述特征包括m维小波特征和n维亮度值特征，所述m和所述n均为正整数。

小波特征中主要有：低频总能量EL1、高频总能量EH1、低频能量比、高频能量比、算数均值、标准差、偏态、峰度等。在视频图像中，如果出现烟雾则会使其覆盖的背景区域变得模糊，即发生烟雾区域和对应背景相比，该区域的边缘和细节信息减少，然而这些边缘和细节信息与图像中的高频信息相对应，所以这里可以通过小波特征和亮度值特征来准确检测运动区域内是否有烟雾。

S400：根据所述多个多维新组合的特征向量组，检测所述运动区域是否产生烟雾。

具体来说，优选的，可以根据多个多维新组合的特征向量组，利用分类器，检测所述运动区域是否产生烟雾。

本发明烟雾检测方法，首先对视频序列进行运动区域提取，然后对运动区域提取小波特征以及亮度值特征，形成多个多维新组合的特征向量组，最后根据多个多维新组合的特征向量组，检测所述运动区域是否产生烟雾。整个过程中，通过分析这样一种新的组合特征向量组来确定是否有烟雾发生，利用多个小波特征和亮度值特征来检测，能够高效、高灵敏度来检测是否有烟雾发生，能够及时、准确表征火灾发生情况。

在其中一个实施例中，所述对所述烟雾检测视频图像中的像素点进行高斯混合背景模型判断，获取所述烟雾检测视频图像序列中的运动区域具体包括步骤：

利用高斯分布表征所述烟雾检测视频图像序列，获取多个初始化高斯模型；

对所述烟雾检测视频图像进行灰度化处理，以使所述烟雾检测视频图像的像素点与所述多个初始化高斯模型进行匹配，当匹配成功时，将匹配成功像素点的数据更新到初始化高斯模型，获得更新的高斯模型；

选取所述更新的高斯模型表征烟雾检测视频图像背景，查找所述烟雾检测视频图像中的像素点不属于背景的像素点，获得查找结果；

根据所述查找结果，获取所述烟雾检测视频图像序列中的运动区域。

在本实施例中，利用高斯分布表征烟雾检测视频图像序列，建立高斯模型，之后再对像素点进行高斯匹配，更新高斯模型，最终根据更新的高斯模型，确定烟雾检测视频图像序列中的运动区域。采用严谨模型建立和数据处理过程，确保获得的运动区域准确。

下面将采用一个具体实施例和详细的数学推导过程，详细介绍烟雾检测视频图像序列中的运动区域的准确获取过程。

在对视频烟雾的检测过程中，首先要检测视频图像序列中运动区域，目的是从视频图像序列中将运动区域从背景图像中提取出来。在这里选用背景差分法获取运动区域加以说明。

混合高斯模型函数

把视频序列中各帧图像看成是一个时间序列:{X₁,X₂,...,X_T}。每个像素点用K个高斯分布来描述。则t时刻，像素点X_t的概率密度为K个高斯密度函数加权：

$P\left(X_t\right)=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{w}_{i,t}\·\mathrm{\η}(X_t,{\mathrm{\μ}}_{i,t},{\mathrm{\Σ}}_{i,t})---\left(1\right)$

$\mathrm{\η}(X_t,{\mathrm{\μ}}_{i,t},{\mathrm{\Σ}}_{i,t})=\frac{\exp ({-1/2(X_t-{\mathrm{\μ}}_{i,t})}^T\·{\mathrm{\Σ}}_{i,t}^{-1}\·(X_t-{\mathrm{\μ}}_{i,t}))}{{\left(2\mathrm{\π}\right)}^{1/2}{\left|{\mathrm{\Σ}}_{i,t}\right|}^{1/2}},i=\mathrm{1,2},...K$ 为高斯概率密度函数。其中，w_i,t、μ_i,t和Σ_i,t为图像序列X在t时刻第i个高斯分布的权重、均值和协方差矩阵。 为方差。K一般取值为3～5。

混合高斯模型的参数更新

当前像素X_t与K个高斯分布按|X_t-μ_i,t-1|≤2.5σ_i,t-1进行匹配，调整高斯模型的权重：

w_i,t＝(1-α)w_i,t-1+α(M_i,t)   (2)

其中α为学习率，若匹配成功，则M_i,t＝1，否则M_i,t＝0。即增大匹配的高斯模型的权重。权值更新后，还要进行归一化处理。

如果新一帧图像与第i个高斯模型匹配不成功，不需要进行更新，如果匹配成功的话，就要对高斯模型的均值和方差进行更新：

μ_t＝(1-β)μ_t-1+βX_t   (3)

${\mathrm{\σ}}_t^2=(1-\mathrm{\β}){\mathrm{\σ}}_{t-1}^2+\mathrm{\β}{(X_t-{\mathrm{\μ}}_t)}^T(X_t-{\mathrm{\μ}}_t)---\left(4\right)$

其中β＝α/w_i,t是更新速率。若没有一个高斯模型与之匹配，则以该像素建立一个高斯模型，初始化参数，代理原有模型中最不可能的模型。

混合高斯模型的选择和前景提取

更新后按照w_i,t/σ_i,t对K个高斯分布从高到低进行排序，选择前面B个高斯分布来表征背景图像：

$B=\arg {\min }_n(\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{w}_{i,k}>T)---\left(5\right)$

$X_{\mathrm{bg}}=\underset{i=1}{\overset{B}{\mathrm{\Σ}}}{w}_{i,t}{\mathrm{\μ}}_{i,t}---\left(6\right)$

若当前像素值X_t与属于背景的某个高斯分布匹配，则该点为背景点，像素值为0；否则该像素点被视为前景点，像素值为255，即运动目标点，得到二值图像。对二值图像进行形态学处理后，标记二值图像，对视频图像的运动目标进行分割，得到运动区域矩形框，将二值图像分割框映射到原图，得到原图中运动区域框，为下一步运动区域的特征提取做好准备。

在其中一个实施例中，所述标记所述运动区域，对每个所述运动区域的视频图像进行特征提取，得到多个多维新组合的特征向量组具体包括步骤：

标记所述运动区域；

对每个所述运动区域中的视频图像进行小波特征变换，提取运动区域中的视频图像的多个小波特征，将所述多个小波特征进行整合，获得多维小波特征；

提取运动区域中的视频图像的亮度值和所述运动区域中的视频图像对应的背景区域的亮度值，计算两者的亮度值比特征，提取多维亮度值特征；

根据所述多维小波特征和所述多维亮度值特征，获取多个多维新组合的特征向量组。

在本实施例中，采用严谨的处理过程，获取运动区域中的视频图像中小波特征和亮度值特征，确保了提取过程的准确。

下面将采用一个具体实施例和详细的数学推导过程，详细介绍多个多维新组合的特征向量组的获取过程。

对上述分割出的原图运动区域标记的矩形框进行特征提取，利用小波变换和亮度值等多种特征结合方法对运动区域进行特征提取，以下详细说明此过程。

基于小波变换的烟雾特征提取

在视频图像中，如果出现烟雾则会使其覆盖的背景区域变得模糊，即发生烟雾区域和对应背景相比，该区域的边缘和细节信息减少，然而这些边缘和细节信息与图像中的高频信息相对应。所以，产生烟雾会减少图像的高频能量。本文采用二维离散小波变换分析整个疑似区域相对于背景的高低频能量的变化情况来检测是否有烟雾发生。

对原始图片进行二维小波变换，会得到4个子图。LL子图是图像的低频部分，即产生表示图像比较粗糙的小波系数。3个高频子图分别为垂直边缘子图(LH)、水平边缘子图(HL)和对角方向边缘子图(HH)，即产生表示图像比较精细的小波系数。

小波能量提取过程：

1、使用db2小波对运动区域和其对应的背景区域进行二维小波变换，得到LL,LH,HL,HH四个子图。

2、计算运动区域和其对应背景区域的每一个像素高频能量和低频能量。

背景区域低频能量：

LW(x,y)＝|LL(x,y)|²

背景区域高频能量：

HW(x,y)＝|HL(x,y)|²+|LH(x,y)|²+|HH(x,y)|²

运动区域低频能量：

LW1(x,y)＝|LL1(x,y)|²

运动区域高频能量

HW1(x,y)＝|HL1(x,y)|²+|LH1(x,y)|²+HH1(x,y)|²

3、计算运动区域和其对应背景区域的低频能量和高频能量。

背景区域低频总能量：

背景区域高频总能量：

运动区域低频总能量：

运动区域高频总能量：

其中R为运动区域框。

4、运动区域与其对应的背景区域能量比值。

低频能量比值：L＝EL1/EL

高频能量比值：H＝EH1/EH

提取运动区域小波变换后的低频总能量EL1、高频总能量EH1、低频能量比以及高频能量比4个特征。

烟雾的半透明性使得对背景产生模糊，这样背景的高频信息减少，然而低频信息增加，这是视频中烟雾与其他运动物体相区别的重要特征。

然后，对小波变换后的3个高频子图系数的特征进行研究。高频系数中包含了原图像中许多的信息，处理所有系数特征是比较费时的，为了减少特征数量和得到对烟雾图像更好的描述，对每个高频子图系数分别进行5种特征的提取，分别为算数均值、峰值比、标准差、偏态、峰度。对于正常的非烟雾图像，这些特征所遵循的一定模式和烟雾图像的这些特征所具有的模式是不一样的。均值表示高频子图的平均值；峰值比表示运动图元与其背景图元的小波高频子图中峰值之比；标准差表示了数据的离散程度；偏态是一种统计量，衡量数据分布对称性；峰度表示数据分布曲线在均值处峰值的高低，即描述数据分布形态陡缓程度。

一种特性不能一致的区分烟雾和非烟雾，对每个高频子图提取上述5个特征，得到15维的特征，结合上面提取的低频总能量EL1、高频总能量EH1、低频能量比以及高频能量比4个特征，得到一个19维的烟雾小波特征向量。

亮度值特征

提取了烟雾的亮度值作为特征向量中的一个分量，对RGB彩色图像进行灰度化时，得到一个亮度通道分量值，该值则是图像的灰度值或亮度。RGB三个分量中都包含了亮度信息，若只提取一种分量对图像进行分析，由于光线的变化，同一色彩会具有不同的特征值，若对三种分量分别进行分析，计算量大，三分量之间相关性太高，冗余度较高，不能得到想要的效果。所以将RGB颜色空间转换到YUV空间是比较普遍的方法。其中亮度值表示亮度，即灰度值。该空间的亮度值和UV色度分量是独立的，亮度分量不包含UV分量信息，亮度值是RGB三个分量的正加权和。所以，在对烟雾进行特征提取时，提取亮度值分量特征来表征烟雾的信息。

Y＝0.2989*R+0.5870*G+0.1140*B

另外，提取运动区域对应的背景区域的亮度值，然后计算运动区域和背景区域的亮度值比特征，这样得到2维的亮度值特征。得到19维小波特征、2维亮度值特征，这样最终组成了一个21维烟雾多特征向量。

在其中一个实施例中，所述根据所述多个多维新组合的特征向量组，检测所述运动区域是否产生烟雾具体为：

根据所述多个多维新组合的特征向量组，利用分类器，检测所述运动区域是否产生烟雾。

优选的，可以采用BP神经网络分类器，根据多个多维新组合的特征向量组，检测所述运动区域是否产生烟雾。其具体如下：算法采用了21个输入节点，21个隐含节点和1个输出节点的BP神经网络的拓扑结构。上述所选的烟雾特征向量是BP神经网络的输入值，预测输出y，w_ij和w_jk是BP神经网络的权值，隐含层阈值为a，输出层阈值为b。BP神经网络的训练实质上是不断调整网络连接权值和阈值的过程，从而使BP神经网络的预测输出不断接近期望输出。

如图2所示，在其中一个实施例中，所述步骤S500之后还有步骤：

S500：当检测到所述运动区域发生烟雾时，标记所述运动区域，并发出报警信号。

在检测到运动区域发生烟雾时，会直接将运动区域标记出来，以便操作人员准确找到该位置，另外发出报警信号，提示操作人员极有可能发生火灾，需要及时处理。

如图3所示，一种烟雾检测系统，包括：

获取分析模块100，用于获取烟雾检测视频图像，并分析烟雾检测视频图像序列，获得所述烟雾检测视频图像的像素点；

运动区域获取模块200，用于对所述烟雾检测视频图像中的像素点进行运动区域检测，获取所述烟雾检测视频图像序列中的运动区域；

特征向量组获取模块300，用于标记所述运动区域，对每个所述运动区域中的视频图像进行特征提取，得到多个多维新组合的特征向量组，其中，所述特征包括m维小波特征和n维亮度值特征，所述m和所述n均为正整数；

检测模块400，用于根据所述多个多维新组合的特征向量组，检测所述运动区域是否产生烟雾。

本发明烟雾检测系统，获取分析模块100和运动区域获取模块200对视频序列进行运动区域提取，特征向量组获取模块300对运动区域提取小波特征以及亮度值特征，形成多个多维新组合的特征向量组，检测模块400根据多个多维新组合的特征向量组，检测所述运动区域是否产生烟雾。整个过程中，通过分析这样一种新的组合特征向量组来确定是否有烟雾发生，利用多个小波特征和亮度值特征来检测，能够高效、高灵敏度来检测是否有烟雾发生，能够及时、准确表征火灾发生情况。

在其中一个实施例中，所述运动区域获取模块具体包括：

高斯模型初始获取单元，用于利用高斯分布表征所述烟雾检测视频图像序列，获取多个初始化高斯模型；

高斯模型更新单元，用于对所述烟雾检测视频图像进行灰度化处理，以使所述烟雾检测视频图像的像素点与所述多个初始化高斯模型进行匹配，当匹配成功时，将匹配成功像素点的数据更新到初始化高斯模型，获得更新的高斯模型；

查找单元，用于选取所述更新的高斯模型表征烟雾检测视频图像背景，查找所述烟雾检测视频图像中的像素点不属于背景的像素点，获得查找结果；

运动区域获取单元，用于根据所述查找结果，获取所述烟雾检测视频图像序列中的运动区域。

在其中一个实施例中，所述特征向量组获取模块具体包括：

标记单元，用于标记所述运动区域；

小波特征提取单元，用于对每个所述运动区域中的视频图像进行小波特征变换，提取运动区域中的视频图像的多个小波特征，将所述多个小波特征进行整合，获得多维小波特征；

亮度值特征提取单元，用于提取运动区域中的视频图像的亮度值和所述运动区域中的视频图像对应的背景区域的亮度值，计算两者的亮度值比特征，提取多维亮度值特征；

特征向量组获取单元，用于根据所述多维小波特征和所述多维亮度值特征，获取多个多维新组合的特征向量组。

在其中一个实施例中，所述检测模块具体用于：

根据所述多个多维新组合的特征向量组，利用分类器，检测所述运动区域是否产生烟雾。

如图4所示，在其中一个实施例中，所述烟雾检测系统还包括：

报警模块500，用于当检测到所述运动区域发生烟雾时，标记所述运动区域，并发出报警信号

为了更进一步说明本发明烟雾检测方法与系统带来的有益效果，下面将采用几组试验数据进行说明。

实验采用了7组正样本视频和9组负样本视频进行试验。利用混合高斯对视频图像帧进行处理，分割运动区域图片，最后用到5580张正样本图片，4217张负样本图片进行训练。使用1200张正样本和900张负样本进行测试。

表1.不同特征组合的实验结果

比较试验中其中，2维纹理特征参数为：

(1)惯性矩(对比度)

$f_2=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{(i-j)}^{2}P(x,y)---\left(7\right)$

其中P为灰度共生矩阵。惯性矩反映的是图像的清晰度和纹理沟纹深浅的程度。越大，效果清晰，纹理的沟纹越深。反之，值越小，沟纹浅，效果模糊，图像较平滑均匀。

(2)逆差距

$f_3=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}\frac{P(i,j)}{1+{(i-j)}^2}---\left(8\right)$

反映了图像纹理局部变化程度，其值越大表示图像纹理局部和均匀，越粗糙。23维组合特征是在本文的21维特征的基础上加上2维纹理特征，实验表明，21维特征更有效。另外将提出的21维多特征组合烟雾检测的方法与文献[6]中利用三层小波变换得到60维小波特征(采用的是60维小波特征，对图像进行三层小波变换，得到10子图，对每个子图提取6个小波特征，即熵、峰度、偏态、标准差、几何平均值和算数平均值，得到60维的小波特征)组合的烟雾检测方法进行了对比实验。

实验结果表示了提出的这种多特征组合方法更具准确性，通过小波特征和亮度分量特征组合方法与其它特征组合的对比实验，证明本发明烟雾检测方法明显有效。

结论

综上所述，在分析烟雾特征的基础上，提出一种基于多种特征融合的烟雾检测算法。提取运动区域与对应背景区域的小波变换后相对应的每个高频子图的极值比值、低频能量、低频能量比值、低频能量、高频能量比值、运动区域小波变换后每个高频子图小波系数的均值、标准差、偏态、峰度，得到19维的小波特征，然后融合烟雾亮度分量的2维特征，最终形成21维烟雾特征向量。通过分析这样一种新的组合特征来确定是否有烟雾发生。对比实验表明，利用21维特征组合的方法进行烟雾检测，其误报率和漏报率都较低，检测率较好。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种烟雾检测方法，其特征在于，包括步骤：

获取烟雾检测视频图像，并分析烟雾检测视频图像序列，获得所述烟雾检测视频图像的像素点；

对所述烟雾检测视频图像中的像素点进行运动区域检测，获取所述烟雾检测视频图像序列中的运动区域；

标记所述运动区域，对每个所述运动区域中的视频图像进行特征提取，得到多个多维新组合的特征向量组，其中，所述特征包括m维小波特征和n维亮度值特征，所述m和所述n均为正整数；

根据所述多个多维新组合的特征向量组，检测所述运动区域是否产生烟雾。

2.根据权利要求1所述的烟雾检测方法，其特征在于，所述对所述烟雾检测视频图像中的像素点进行运动区域检测，获取所述烟雾检测视频图像序列中的运动区域具体包括步骤：

利用高斯分布表征所述烟雾检测视频图像序列，获取多个初始化高斯模型；

对所述烟雾检测视频图像进行灰度化处理，以使所述烟雾检测视频图像的像素点与所述多个初始化高斯模型进行匹配，当匹配成功时，将匹配成功像素点的数据更新到初始化高斯模型，获得更新的高斯模型；

选取所述更新的高斯模型表征烟雾检测视频图像背景，查找所述烟雾检测视频图像中的像素点不属于背景的像素点，获得查找结果；

根据所述查找结果，获取所述烟雾检测视频图像序列中的运动区域。

3.根据权利要求1或2所述的烟雾检测方法，其特征在于，所述标记所述运动区域，对每个所述运动区域的视频图像进行特征提取，得到多个多维新组合的特征向量组具体包括步骤：

标记所述运动区域；

对每个所述运动区域中的视频图像进行小波特征变换，提取运动区域中的视频图像的多个小波特征，将所述多个小波特征进行整合，获得多维小波特征；

提取运动区域中的视频图像的亮度值和所述运动区域中的视频图像对应的背景区域的亮度值，计算两者的亮度值比特征，提取多维亮度值特征；

根据所述多维小波特征和所述多维亮度值特征，获取多个多维新组合的特征向量组。

4.根据权利要求1或2所述的烟雾检测方法，其特征在于，所述根据所述多个多维新组合的特征向量组，检测所述运动区域是否产生烟雾具体为：

根据所述多个多维新组合的特征向量组，利用分类器，检测所述运动区域是否产生烟雾。

5.根据权利要求1或2所述的烟雾检测方法，其特征在于，所述根据所述多个多维新组合的特征向量组，检测所述运动区域是否产生烟雾之后还有步骤：

当检测到所述运动区域发生烟雾时，标记所述运动区域，并发出报警信号。

6.一种烟雾检测系统，其特征在于，包括：

获取分析模块，用于获取烟雾检测视频图像，并分析烟雾检测视频图像序列，获得所述烟雾检测视频图像的像素点；

运动区域获取模块，用于对所述烟雾检测视频图像中的像素点进行运动区域检测，获取所述烟雾检测视频图像序列中的运动区域；

特征向量组获取模块，用于标记所述运动区域，对每个所述运动区域中的视频图像进行特征提取，得到多个多维新组合的特征向量组，其中，所述特征包括m维小波特征和n维亮度值特征，所述m和所述n均为正整数；

检测模块，用于根据所述多个多维新组合的特征向量组，检测所述运动区域是否产生烟雾。

7.根据权利要求6所述的烟雾检测系统，其特征在于，所述运动区域获取模块具体包括：

高斯模型初始获取单元，用于利用高斯分布表征所述烟雾检测视频图像序列，获取多个初始化高斯模型；

高斯模型更新单元，用于对所述烟雾检测视频图像进行灰度化处理，以使所述烟雾检测视频图像的像素点与所述多个初始化高斯模型进行匹配，当匹配成功时，将匹配成功像素点的数据更新到初始化高斯模型，获得更新的高斯模型；

查找单元，用于选取所述更新的高斯模型表征烟雾检测视频图像背景，查找所述烟雾检测视频图像中的像素点不属于背景的像素点，获得查找结果；

运动区域获取单元，用于根据所述查找结果，获取所述烟雾检测视频图像序列中的运动区域。

8.根据权利要求6或7所述的烟雾检测系统，其特征在于，所述特征向量组获取模块具体包括：

标记单元，用于标记所述运动区域；

小波特征提取单元，用于对每个所述运动区域中的视频图像进行小波特征变换，提取运动区域中的视频图像的多个小波特征，将所述多个小波特征进行整合，获得多维小波特征；

亮度值特征提取单元，用于提取运动区域中的视频图像的亮度值和所述运动区域中的视频图像对应的背景区域的亮度值，计算两者的亮度值比特征，提取多维亮度值特征；

特征向量组获取单元，用于根据所述多维小波特征和所述多维亮度值特征，获取多个多维新组合的特征向量组。

9.根据权利要求6或7所述的烟雾检测系统，其特征在于，所述检测模块具体用于：

根据所述多个多维新组合的特征向量组，利用分类器，检测所述运动区域是否产生烟雾。

10.根据权利要求6或7所述的烟雾检测系统，其特征在于，还包括：

报警模块，用于当检测到所述运动区域发生烟雾时，标记所述运动区域，并发出报警信号。