1.一種基于改進的ViBe算法與輕量化卷積網絡的火焰檢測方法，其特征是首先采集視頻幀序列，然后對序列中的視頻幀進行如下步驟處理：

1)利用改進的ViBe前景檢測算法進行火焰的前景檢測得到疑似火焰區域；

1.1)以輸入火焰視頻的第一幀建立初始化背景模型；

1.2)對后續輸入的火焰視頻幀，用火焰像素判別規則判斷當前視頻幀中是否存在火焰像素，實現對疑似火焰區域的檢測；

1.3)運用背景模型更新機制對火焰區域的背景模型進行更新；

通過步驟1.2)和1.3)處理當前幀的所有像素后，把當前幀進行步驟2)的處理；

2)構建基于SE注意力機制的輕量化的火焰檢測卷積神經網絡，進一步判斷步驟1)的疑似火焰區域是否為火焰對象：

2.1)將步驟1)檢測出來的疑似火焰區域劃分為16×16的小塊；

2.2)構建一個輕量化的火焰區域檢測卷積神經網絡；

2.3)將Squeeze-and-Excitation(SE)注意力機制模塊嵌入到步驟2.2)建立的火焰區域檢測卷積神經網絡中，構建基于Squeeze-and-Excitation(SE)注意力機制的輕量化的火焰檢測卷積神經網絡；

2.4)訓練火焰檢測卷積神經網絡，統計16×16的疑似火焰圖像塊中火焰像素的數目，如果一個16×16的小圖像塊中的火焰像素數目大于等于一半，則該16×16的小圖像塊被判斷為火焰區域即火焰對象，否則為背景區域；

所述步驟1)中，

1.1)選取視頻序列的第一幀，利用傳統的ViBe算法初始化背景模型；

1.2)判斷當前像素是否同時滿足閃爍規則：

首先，定義視頻幀中像素的閃爍程度，如公式(1)所示：

BL_t(x,y)＝α×BL_t-1(x,y)+β×S_or(x,y) (1)

其中：BL_t(x,y)表示第t時刻視頻幀的當前像素的閃爍程度，初始值為0；α是閃爍級別的衰減系數；β是閃爍增量；S_or(x,y)為閃爍狀態：如果相鄰兩幀處于同一位置的像素的更新標簽不同，令S_or(x,y)為1，則閃爍程度值BL_t(x,y)增加；如果相鄰兩幀處于同一位置的像素的更新標簽相同，令S_or(x,y)為0，則閃爍程度值BL_t(x,y)減少；

然后，建立閃爍像素的判斷規則，如式(2)所示；通過閾值T_bl判斷像素是否為閃爍像素，

如果第t時刻視頻幀的當前像素的閃爍程度值BL_t(x，y)大于等于閾值T_bl，則IsBlink_t(x,y)的值為True，該像素被判斷為閃爍像素；否則該像素為非閃爍像素；

1.3)利用火焰的顏色和閃爍特征更新火焰前景像素，然后通過自適應的閾值抑制動態背景的干擾，步驟包括：

1.3.1)更新火焰前景像素：

根據運動區域顏色的不同選擇性，更新背景模型，采用式(3)約束提取疑似火焰顏色區域：

其中：R(x,y)、G(x,y)和B(x,y)分別是像素點在RGB空間中每個通道的值；S(x,y)是HSV空間的飽和度；T_R和T_S分別是R通道的閾值和飽和度S通道的閾值；

對于根據式(2)提取的疑似火焰區域中的像素，再利用式(3)判斷是否滿足顏色規則，如果滿足，則該像素被更新為火焰前景像素；

1.3.2)自適應的閾值抑制動態背景的干擾：

令p_i(x,y)表示坐標為(x,y)處的背景像素樣本集的第i個背景像素點的灰度值；

首先，利用式(4)計算坐標為(x,y)處的背景像素更新標準差σ_t(x,y)：

其中：N是坐標為(x,y)處的背景像素樣本集的樣本數目；

然后，用式(5)進行自適應的閾值R_t(x,y)調整：

所述2.2)中，構建所述的輕量化火焰檢測卷積神經網絡：

火焰檢測卷積神經網絡的第1～12層中：每兩個卷積層conv后面連接一個池化層pool；每個卷積層包含卷積Batch normalizatoin操作和ReLU操作；第15～17層是3個1×1的卷積層，且第17層不包含ReLU操作；火焰區域檢測網絡的分類函數softmax輸出火焰檢測分類概率；

所述步驟2.3)中，將SE注意力機制模型SE Block嵌入到火焰檢測卷積神經網絡中，SEBlock在火焰檢測卷積神經網絡的各個池化層pool前，得到集成后的火焰區域檢測網絡集成后的網絡增加了4個SE Block，共21層；在火焰區域檢測網絡中，SE Block的輸入是與之相鄰的卷積層的輸出特征圖，SE Block的輸出特征矩陣作為與之相鄰的池化層的輸入。