1.一种煤矿火灾视频监控用火灾图像识别方法，其特征在于，该方法包括以下步骤：步骤一、构建火焰像素比对样本数据和非火焰像素比对样本数据并存储在监控计算机中；

步骤二、图像采集及传输：设置在煤矿火灾监控点处的摄像头拍摄其周围图像并将其拍摄到的煤矿火灾监控图像发送给监控计算机；

步骤三、图像增强：监控计算机调用图像增强处理模块并依次采用改进的反锐化掩膜法和直方图均衡化方法对煤矿火灾监控图像进行图像增强处理；

步骤三中所述监控计算机调用图像增强处理模块并依次采用改进的反锐化掩膜法和直方图均衡化方法对煤矿火灾监控图像进行图像增强处理的具体过程为：步骤301、监控计算机接收煤矿火灾监控图像；

步骤302、监控计算机调用方差计算模块计算煤矿火灾监控图像的方差、调用均值计算模块计算煤矿火灾监控图像的均值，并调用信息熵计算模块计算煤矿火灾监控图像的信息熵；

步骤303、监控计算机将煤矿火灾监控图像的方差、均值、信息熵输入监控计算机预先训练好并存储在其中的图像增强参数预测BP神经网络中，得到图像增强的高频参数λ、第一层低频参数τ1和第二层低频参数τ2；

步骤304、监控计算机调用两层小波分解模块，先对煤矿火灾监控图像进行小波分解，得到第一层低频图像L1，再对第一层低频图像L1进行小波分解，得到第二层低频图像L2；

步骤305、监控计算机用煤矿火灾监控图像减去第一层低频图像L1，得到第一层所有高频图像的和H1；

步骤306、监控计算机用第一层低频图像L1减去第二层低频图像L2，得到第二层所有高频图像的和H2；

步骤307、监控计算机根据公式∑H＝H1+H2计算高频图像的和∑H；

步骤308、监控计算机根据公式g(x,y)＝λ∑H+τ1H1+τ2H2建立改进后的反锐化掩膜法图像模型g(x,y)；

步骤309、监控计算机调用直方图均衡化模块对改进后的反锐化掩膜法图像模型g(x,y)进行直方图均衡化处理，得到图像增强处理后的煤矿火灾监控图像；

步骤四、火灾图像识别：监控计算机调用火灾图像识别模块并采用KNN算法对进行图像增强处理后的煤矿火灾监控图像进行分析处理，判断是否为火灾图像；

步骤四中所述监控计算机调用火灾图像识别模块并采用KNN算法对进行图像增强处理后的煤矿火灾监控图像进行分析处理，判断是否为火灾图像的具体过程为：步骤401：计算进行图像增强处理后的煤矿火灾监控图像中每个像素与火焰像素比对样本数据中每个样本之间的距离，以及每个像素与非火焰像素比对样本数据中每个样本之间的距离，并将计算出的距离进行从小到大排列；

步骤402：监控计算机提取距离最近的前K个样本，并判断距离最近的前K个样本分别是距离火焰像素比对样本数据之间的距离，还是距离非火焰像素比对样本之间的距离，并统计距离火焰像素比对样本数据之间的距离数量S1和距离非火焰像素比对样本数据之间的距离数量S2，当S1大于S2时，判定为火焰像素，并将该像素二值化为1，当S1不大于S2时，判定为非火焰像素，并将该像素二值化为0，得到二值化后的火灾图像BW；

步骤403：监控计算机统计图像BW中二值化为1的像素个数，当其大于预先设定的像素数阈值时，判断该图像为火灾图像，否则判断该图像为非火灾图像。

2.按照权利要求1所述的一种煤矿火灾视频监控用火灾图像识别方法，其特征在于：步骤一中所述构建火焰像素比对样本数据和非火焰像素比对样本数据并存储在监控计算机中的具体过程为：

步骤101、将火灾图像样本数据集存储到监控计算机中；

步骤102、监控计算机调用火灾像素与非火灾像素特征提取模块对火灾图像样本数据集进行特征提取，得到火灾图像样本数据集中各火灾图像的火焰像素颜色模型和非火焰像素颜色模型；

步骤103、监控计算机调用火焰像素分析模块并采用基于粒子群算法优化的K‑中值算法分别对各火灾图像的火焰像素颜色模型进行聚类，得到各火灾图像的火焰像素颜色模型的K个聚类；具体过程为：

步骤1031、监控计算机定义各火灾图像的火焰像素颜色模型分别为样本X1,X2,…,Xn；

其中，n为各火灾图像的火焰像素颜色模型的数量；

步骤1032、监控计算机调用初始聚类中心确定模块并采用粒子群算法确定出K个类别中心μ1,μ2,…,μK，其中，K为不大于n的正整数；

步骤1033、监控计算机根据相似度函数 计算样本与聚类中心的相似度，对每个样本Xi，找到与其最接近的聚类中心μj后，将其标记为聚类中心μj的类别；

其中，i的取值为1～n的正整数，j的取值为1～K的正整数，D(Xi,μj)为待分类样本与已知样本之间的欧氏距离，C(Xi,μj)为待分类样本与已知样本之间的相关距离；

步骤1034、监控计算机根据公式 将每个类别中心更新为隶属该类别的所有样本的均值；其中，Nj为属于聚类中心μj的样本数；

步骤1035、重复步骤1033和步骤1034，直到类别中心的变化小于预先设定的类别中心变化阈值，并将K个更新后的类别中心定义为各火灾图像的火焰像素颜色模型的K个聚类；

步骤104、监控计算机调用非火焰像素分析模块并采用基于粒子群算法优化的K‑中值算法分别对各火灾图像的非火焰像素颜色模型进行聚类，得到非火焰像素颜色模型的K个聚类；具体过程为：

步骤1041、监控计算机定义各火灾图像的非火焰像素颜色模型分别为样本X1,X2,…,Xn；其中，n为各火灾图像的非火焰像素颜色模型的数量；

步骤1042、监控计算机调用初始聚类中心确定模块并采用粒子群算法确定出 个类别中心μ1,μ2,…,μK，其中， 为不大于n的正整数；

步骤1043、监控计算机根据相似度函数 计算样本与聚类中心的相似度，对每个样本Xi，找到与其最接近的聚类中心μj后，将其标记为聚类中心μj的类别；

其中，i的取值为1～n的正整数，j的取值为 的正整数，D(Xi,μj)为待分类样本与已知样本之间的欧氏距离，C(Xi,μj)为待分类样本与已知样本之间的相关距离；

步骤1044、监控计算机2根据公式 将每个类别中心更新为隶属该类别的所有样本的均值；其中，Nj为属于聚类中心μj的样本数；

步骤1045、重复步骤1043和步骤1044，直到类别中心的变化小于预先设定的类别中心变化阈值，并将 个更新后的类别中心定义为各火灾图像的非火焰像素颜色模型的 个聚类；

步骤105、监控计算机定义各火灾图像的火焰像素颜色模型的K个聚类为火焰像素比对样本数据并存储，定义各火灾图像的非火焰像素颜色模型的 个聚类为非火焰像素比对样本数据并存储。

3.按照权利要求2所述的一种煤矿火灾视频监控用火灾图像识别方法，其特征在于：步骤1032中所述监控计算机调用初始聚类中心确定模块并采用粒子群算法确定出K个类别中心μ1,μ2,…,μK的具体过程与步骤1042中所述监控计算机调用初始聚类中心确定模块并采用粒子群算法确定出 个类别中心 的具体过程相同且均为：步骤A、初始化粒子群；即随机设定各粒子的初始位置和初始速度V；

步骤B、根据初始位置和速度产生各粒子新的位置；

步骤C、计算每个粒子的适应度值，采用的适应度函数表示为式fitness＝k/J，其中，J为总的类内离散度和，k为常数；

步骤D、对于每个粒子，比较它的适应度值和它经历过的最好位置Pid的适应度值，当适应度值更好时就更新；

步骤E、对于每个粒子，比较它的适应度值和群体所经历的最好位置Pgd的适应度值，当适应度值更好时就更新；

步骤F、根据公式vid(t+1)＝ωvid(t)+η1rand()(pid‑zid(t))+η2rand()(pgd‑zid(t))和公式zid(t+1)＝zid(t)+vid(t+1)调整粒子的速度和位置；其中，Pid为每个粒子经历过的最好位置，Pgd为群体所经历的最好位置，vid(t+1)表示第i个粒子在t+1次迭代中第d维上的速度，vid(t)表示第i个粒子在t次迭代中第d维上的速度，zid(t+1)表示第i个粒子在t+1次迭代中第d维上的位置，zid(t)表示第i个粒子在t次迭代中第d维上的位置，ω为惯性权重，η1和η2均为加速常数，rand()为0‑1之间的随机数；

步骤G、当达到最大迭代次数时结束，否则返回步骤C继续迭代执行。

4.按照权利要求1所述的一种煤矿火灾视频监控用火灾图像识别方法，其特征在于：步骤303中所述监控计算机预先训练图像增强参数预测BP神经网络的具体过程为：步骤3031、以煤矿火灾监控图像的方差、均值、信息熵作为BP神经网络的输入，输入层节点数n1为3个，以图像增强的高频参数λ、第一层低频参数τ1和第二层低频参数τ2作为BP神经网络的输出，输出层节点数n3为3个，根据公式 确定所述BP网络的隐含层节点数n2，建立三层BP神经网络；其中，取a为1～10的自然数；

步骤3032、选取M张煤矿火灾监控图像作为训练样本图像，对每张煤矿火灾监控图像，均进行步骤30321～步骤303329的操作，得到M张煤矿火灾监控图像有好的增强效果的高频参数λ、第一层低频参数τ1和第二层低频参数τ2，并记录M张煤矿火灾监控图像对应的方差、均值、信息熵、高频参数λ、第一层低频参数τ1和第二层低频参数τ2；其中，M的取值为不小于

50的正整数；

步骤30321、监控计算机调用方差计算模块计算煤矿火灾监控图像的方差、调用均值计算模块计算煤矿火灾监控图像的均值，并调用信息熵计算模块计算煤矿火灾监控图像的信息熵；

步骤30322、设定图像增强的高频参数λ、第一层低频参数τ1和第二层低频参数τ2并存在在监控计算机中；

步骤30323、监控计算机调用两层小波分解模块，先对煤矿火灾监控图像进行小波分解，得到第一层低频图像L1，再对第一层低频图像L1进行小波分解，得到第二层低频图像L2；

步骤30324、监控计算机用煤矿火灾监控图像减去第一层低频图像L1，得到第一层所有高频图像的和H1；

步骤30325、监控计算机用第一层低频图像L1减去第二层低频图像L2，得到第二层所有高频图像的和H2；

步骤30326、监控计算机根据公式∑H＝H1+H2计算高频图像的和∑H；

步骤30327、监控计算机根据公式g(x,y)＝λ∑H+τ1H1+τ2H2建立改进后的反锐化掩膜法图像模型g(x,y)；

步骤30328、监控计算机调用直方图均衡化模块对改进后的反锐化掩膜法图像模型g(x,y)进行直方图均衡化处理，得到图像增强处理后的煤矿火灾监控图像；

步骤30329、人为观察图像增强处理后的煤矿火灾监控图像的图像增强效果，当图像增强效果不满意时，调整图像增强的高频参数λ、第一层低频参数τ1和第二层低频参数τ2并存在在监控计算机中，然后重复执行步骤30323～步骤30328，直至图像增强效果满意；

步骤3033、将M张煤矿火灾监控图像的方差、均值、信息熵作为输入，有好的增强效果的高频参数λ、第一层低频参数τ1和第二层低频参数τ2作为输出，对步骤3031中建立的BP神经网络进行训练，得到训练好的三层BP神经网络。

5.按照权利要求1所述的一种煤矿火灾视频监控用火灾图像识别方法，其特征在于：所述摄像头为红外摄像头。