1.一种基于字典与BP神经网络的烟雾图像分割与识别方法，其特征在于，该方法包括以下步骤：步骤一、图像处理器对输入图像进行增强处理，具体过程为：

步骤101、图像处理器计算输入图像的方差、均值和信息熵，并将方差、均值和信息熵输入预先构建的图像增强神经网络模型中，输出进行图像增强的高频图像模型系数k、第一层小波分解的低频图像模型系数n1和第二层小波分解的低频图像模型系数n2；

步骤102、图像处理器对输入图像进行两层小波分解，提取输入图像中的高频图像、第一层小波分解的低频图像L1和第二层小波分解的低频图像L2，计算所有高频图像的和∑H；

步骤103、图像处理器将步骤101中的系数k、n1和n2，以及步骤102中的低频图像L1、低频图像L2和所有高频图像的和∑H带入图像增强模型g(x，y)＝k∑H+n1L1+n2L2中，得到增强后的图像g(x，y)；

步骤二、图像处理器将增强处理后的图像与烟雾字典矩阵作比较计算得到疑似烟雾区域；

步骤三、图像处理器对所得到的疑似烟雾图像进行多尺度小波分解，计算多尺度小波分解后所得各层图像的灰度共生矩阵的统计量，采用计算所得的各层图像的灰度共生矩阵的统计量构造纹理特征向量，再将纹理特征向量输入到烟雾识别BP神经网络中，得到烟雾识别结果。

2.按照权利要求1所述的基于字典与BP神经网络的烟雾图像分割与识别方法，其特征在于：步骤101中图像处理器预先构建图像增强神经网络模型的具体过程为：步骤A1、准备与待处理的场景相同场景下的N帧图像；

步骤A2、图像处理器分别对步骤A1中各帧图像的方差、均值和信息熵进行计算；

步骤A3、图像处理器分别对步骤A1中各帧图像进行两层小波分解，提取各帧图像中的高频图像、第一层小波分解的低频图像L1和第二层小波分解的低频图像L2；

步骤A4、图像处理器建立图像增强模型g(x，y)＝k∑H+n1L1+n2L2，其中，g(x，y)为增强后的图像，∑H为经过两层小波分解后所有高频图像的和，L1为经过两层小波分解后第一层小波分解的低频图像，L2为经过两层小波分解后第二层小波分解的低频图像，k为高频图像模型系数，n1为第一层小波分解的低频图像模型系数，n2为第二层小波分解的低频图像模型系数；

步骤A5、图像处理器将各帧图像的低频图像L1、低频图像L2和所有高频图像的和∑H带入图像增强模型g(x，y)＝k∑H+n1L1+n2L2中，并多次调节各帧图像的高频图像模型系数k、第一层小波分解的低频图像模型系数n1和第二层小波分解的低频图像模型系数n2，使得增强后的图像的对比度最高，记录相应各帧图像的方差、均值、信息熵、系数k、n1和n2；

步骤A6、图像处理器以各帧图像的方差、均值和信息熵为图像增强神经网络的输入，输入层节点数N1为3个，以使得增强后的图像的对比度最高的系数k、n1和n2作为BP神经网络的输出，输出层节点数N3为3个，根据公式 确定出BP神经网络隐含层的节点数N2，建立三层BP神经网络；其中，取a为1～10的自然数；

步骤A7、图像增强神经网络模型训练，其具体过程如下：

步骤A701、参数初始化：设定输入层到隐含层的连接权值wji为(-1，1)之间的随机数，隐含层到输出层的连接权值 为(-1，1)之间的随机数，输出层的作用函数的斜率a为[0，1]之间的随机数，输出层的作用函数的偏置参数σ为[0，1]之间的随机数，误差修正的步长因子η为(0，1)之间的随机数，输出层的期望输出 为系数k、n1和n2；

步骤702、信息正向传递过程的计算：首先，将训练样本INi输入到图像增强神经网络模型的输入层，通过输入层到隐含层的连接权值wji与偏置值bji得到隐含层的输入接着，通过隐含层的作用函数 得到隐含层的输出IMj＝tan(net1(j))；然后，通过隐含层到输出层的连接权值wkj与偏置值bkj得到输出层的输入 最后，通过输出层的作用函数f(x)＝1/(1+e-a(x+σ))得到输出层的输出Y(k)＝f(net2(k))；

步骤703、信息反向传递过程的计算：首先，根据公式 计算得到样本模型

的均方误差En；接着，根据公式 计算得到总误差e，并判断总误差e是否小于等于

0.01，当总误差e大于0.01时，首先，根据公式 计算输出层的训练

误差dk，并根据公式 计算出隐含层的训练误差dj；接着，根据公式wji＝wji+ηdjINi对输入层到隐含层的连接权值wji进行误差修正，并根据公式wkj＝wkj+ηdkIMj对隐含层到输出层的连接权值wkj进行误差修正；然后，根据公式 对输出层的作用函数的斜率a进行误差修正，并根据公式 对输出层的作用函数的偏置参

数σ进行误差修正；最后返回步骤702；当总误差e小于等于0.01时，结束训练；其中，l为迭代次数且为自然数。

3.按照权利要求2所述的基于字典与BP神经网络的烟雾图像分割与识别方法，其特征在于：所述N的取值为100。

4.按照权利要求1所述的基于字典与BP神经网络的烟雾图像分割与识别方法，其特征在于：步骤二中所述图像处理器将增强处理后的图像与烟雾字典矩阵作比较计算得到疑似烟雾区域的具体过程为：步骤201、图像处理器采用均值法建立图像背景模型，即图像中的每个像素点的像素值由图像序列中对应的各个点做平均值来确定，用公式表示为 其中，fM(i，j)为第M帧图像位于点(i，j)处的像素值，B(i，j)为背景模型；

步骤202、图像处理器将每一帧预处理后的图像与背景图像模型作背景差分，得到每一帧图像中的运动区域，输出运动区域的二值化图像；

步骤203、将收集到的N′张典型烟雾图像按照如下步骤求取第一阶段烟雾字典矩阵Ω，具体过程为：步骤2031、根据训练样本建立样本矩阵X＝(x1，x2，...，xN′)T，其中，xi′为收集到的每张典型烟雾图像，i′的取值为1～N′；

步骤2032、根据公式 计算每行平均值，即各帧图像像素的平均值；

步骤2033、根据公式di′＝xi′-φ计算收集到的每帧烟雾图像与每行平均值的差值di′；

步骤2034、构建协方差矩阵

步骤2035、求C的特征值和特征向量；

T

步骤2036、根据公式Ωi′＝w di′将收集到的每帧烟雾图像与每行平均值的差值矢量di′投影到烟雾空间中，并将其构建为烟雾字典矩阵Ω＝[Ω1，Ω2，...，ΩN′]；其中，w为C的特征向量；

步骤204、输入图像与烟雾字典的对比：首先将运动区域的二值化图像中的各个图像块与增强处理后图像中的对应部分按照步骤3016变换到烟雾空间中，记所得图像为yj′，然后按照公式 计算“烟雾”空间的图像yj′到各个烟雾图像矩阵Ωi′的最小值，所有结果中最小值对应的图像块即为疑似烟雾图像；其中，j′为输入图像块个数。

5.按照权利要求4所述的基于字典与BP神经网络的烟雾图像分割与识别方法，其特征在于：所述N′的取值为1500。

6.按照权利要求1所述的基于字典与BP神经网络的烟雾图像分割与识别方法，其特征在于：步骤三中所述图像处理器对所得到的疑似烟雾图像进行多尺度小波分解时，选取的小波基为DB4，尺度为2；步骤三中所述灰度共生矩阵的统计量，包括灰度分布不均匀性的统计量、灰度均方差的统计量、梯度熵的统计量、混合熵的统计量、惯性的统计量、逆差矩的统计量、相关性的统计量和方差的统计量。

7.按照权利要求1所述的基于字典与BP神经网络的烟雾图像分割与识别方法，其特征在于：步骤三中所述烟雾识别BP神经网络的构建过程为：步骤301、建立烟雾识别BP神经网络：图像处理器以纹理特征向量作为烟雾识别BP神经网络的输入，输入层节点数n1为1个，以烟雾识别结果为烟雾识别BP神经网络的输出，输出层节点数n3为1个，隐含层节点数n2为7个；

步骤302、烟雾识别BP神经网络训练：图像处理器以L1规范化的交叉熵损失函数为代价函数，采用纹理特征向量和预测的烟雾识别结果对烟雾识别BP神经网络进行训练，训练

2000次，得到训练好的烟雾识别BP神经网络。