1.一种森林火灾检测装置，其特征在于：包括：图像采集模块，用于采集原始图像后发送给火灾检测模块进行处理；

火灾检测模块，用于将原始图像从RGB颜色空间转换为HSV颜色空间后得到HSV图像，再对HSV图像进行区域特征聚类算法和样本熵值算法，计算得到图像中是否存在真实火灾；

火灾报警模块，用于检测到图像中存在真实火灾时，进行报警；

所述火灾检测模块基于K‑Means聚类算法得到的多个阈值聚类区域子集，使用样本熵值算法对多个阈值聚类区域子集进行计算，得到每个子集的熵值；并且设置样本熵值的阈值为X，子集的熵值大于X时，检测为火灾；如果子集的熵值小于X时，检测为非火灾。

2.一种森林火灾检测方法，采用权利要求1所述的装置实现，其特征在于：包括以下步骤：

步骤S2：采用特征区域聚类算法对HSV图像进行分割，并根据火灾颜色特征设置HSV颜色空间的阈值，从HSV图像中提取出疑似火灾区域；

步骤S3：对阈值聚类区域进行基于K‑Means聚类算法下样本熵值的计算；

步骤S4：设置样本熵值阈值X，对步骤S3计算出来的样本熵值进行判断，判别阈值聚类区域是否为真实火灾；

所述对阈值聚类区域进行基于K‑Means聚类算法下样本熵值的计算的步骤，包括：基于K‑Means聚类算法得到的多个阈值聚类区域子集，使用样本熵值算法对多个阈值聚类区域子集进行计算，得到每个子集的熵值；

所述设置样本熵值阈值X，对步骤S3计算出来的样本熵值进行判断，判别阈值聚类区域是否为真实火灾的步骤，包括：

设置样本熵值的阈值为X，如果步骤S3中计算出来的子集的熵值大于X时，检测为火灾，进行火灾报警；如果子集的熵值小于X时，检测为非火灾，不进行火灾报警。

3.根据权利要求2所述的一种森林火灾检测方法，其特征在于：还包括以下步骤：步骤S1：图像采集模块将采集的原始的RGB颜色空间图像转换为HSV颜色空间图像，获得HSV图像。

4.根据权利要求1所述的一种森林火灾检测方法，其特征在于：所述特征区域聚类算法采用K‑Means聚类算法。

5.根据权利要求4所述的一种森林火灾检测方法，其特征在于：所述采用特征区域聚类算法对HSV图像进行分割，并根据火灾颜色特征设置HSV颜色空间的阈值，从HSV图像中提取出疑似火灾区域的步骤，包括：

步骤S2‑1：根据所述HSV图像，设定K个像素点作为聚类的初始中心点；

步骤S2‑2：计算聚类的中心点与图像像素点之间的S和V分量的欧氏距离，使得图像像素点特征值相似性大的聚类成一类；

步骤S2‑3：修正聚类中心点，计算类簇的均值，根据类簇的均值更新聚类中心点；

步骤S2‑4：计算新的聚类中心点与图像像素点之间的S和V分量的欧氏距离，重新聚类成k个类别；

步骤S2‑5：判断k个类别是否达到标准测度函数的收敛条件，如果达到则进行下一步，否则重复步骤S2‑3；

步骤S2‑6：判断类别集合是否满足阈值条件，将满足阈值条件的输出为阈值聚类区域集合结果，剔除不满足阈值条件的类别集合。