目前的方案是大概每隔一秒对视频帧采样一次，判断是否存在吸烟行为。如果通过采取多帧视频采样再进行综合判断的话误判的几率能够大大降低。比如连续两次或多次采样，都判断为有香烟存在时才报警，或者10次采样其中有5次判断香烟存在才报警，等等。这种方案对于徘徊在摄像头区域一直抽烟的情况会有很大的改善，对于在摄像头附近一闪而过的吸烟行为效果可能不佳。
目前在简单的场景下，香烟的检测准确率还是挺高的。但是在一些复杂的使用场景中，如监控摄像头，很多时候连人眼都无法容易判断出是否存在香烟，此时模型的误判率高得不可接受，因此提出了各种解决方法。但是误判率过高的情况依然只能缓解，暂时无法得到最终的解决。
用于检测数字图像和视频中特定类别的语义对象 (例如人、建筑物或汽车等), 其在视频安防,自动驾驶, 交通监控, 无人机场景分析和机器人视觉等领域有广阔的应用前景。近年来, 由于卷积神经网络的发展和硬件算力提升, 基于深度学习的目标检测取得了突破性的进展。目前, 深度学习算法已在计算机视觉的整个领域得到广泛采用, 包括通用目标检测和特定领域目标检测. 大多数最先进的目标检测算法都将深度学习网络用作其骨干网和检测网络, 分别从输入图像 (或视频), 分类和定位中提取特征。
常见的目标检测算法常分为三个步骤进行：
第一步：分类，用事前确定好的类别或实例ID对化为信息的图像结构进行描述。
第二步：检测，上一步是对整张图片内容的描述，这一步则需要选定一个物体目标进行检测，获取物体所处位置以及类别信息。
第三步：分割，这一步需要对语义和实例进行分割，并得出像素属于哪个目标物体或哪个场景的结论。
流程为调整输入图像或视频流的尺寸以满足模型规范输入大小，通过模型预测出类别、框体大小和分数。
公共场合抽烟的危害很大，国家也相应地出台了在公共场合禁烟的政策。以前实行相关的政策都是靠工作人员巡逻发现并出言禁止，这样做效率很低下。计算机视觉领域发展迅速，而抽烟检测也属于一种计算机视觉目标检测的行为，可以采用目标检测的方法来实现。目前，目标检测在很多领域都取得显著成就，但是在抽烟检测领域方面进行研究却几乎没有。该研究可以有效节省成本，对公共场合禁烟政策的实行有很大的推动作用。
吸烟（抽烟）目标检测痛难点：
形状：烟细小，在图像中所占比例小，难捕捉。
颜色：主要有红色、白色和黄或黑色组成，与周围环境颜色难区分。
通过在摄像头监控区域的吸烟姿势识别，进行适当提示，以AI科技降低公共场所的吸烟行为。
在一些特定场合，比如易燃物仓库、加油站、工厂车间、商场等诸多场合，吸烟极有可能带来重大安全隐患，为此，特别需要智能监管。
