1.一种基于卷积神经网络和动态跟踪的火焰预警方法，其特征在于，包括如下步骤：
S1：对视频图像进行高斯模糊，求出高斯模糊后的图像；
S2：对高斯模糊后的图像进行基于像素值的候选区域提取，提取出候选火焰区域；
S3：对候选火焰区域进行分割，得到最终火焰候选区域的外接矩形坐标位置；
S4：判断是否为跟踪中的火焰团块，是则进行跟踪判断，否则继续步骤S5；
S5：将各最终火焰候选区域的外接矩形坐标位置所在的图像，输入卷积神经网络分类器，经过卷积神经网络分类器的特征提取后送入判别层，最后输出是火焰的概率和不是火焰的概率；
S6：在火焰的概率大于设定值时，发送预警信号。
2.根据权利要求1所述的火焰预警方法，其特征在于：步骤S6中，在发送预警信号的同时，还传送火焰发现的前后十秒的视频，以及发现火焰时的系统时间。
3.根据权利要求2所述的火焰预警方法，其特征在于：接受到此预警信号后，还通过websocket或http长连接通知网页客户端或手机客户端，通过网页客户端或手机客户端，弹出弹窗并生成一条预警数据。
4.根据权利要求3所述的火焰预警方法，其特征在于：在弹出弹窗后，还将预警数据通过短信的方式发送到预先关联的手机上。
5.根据权利要求2所述的火焰预警方法，其特征在于：还包括步骤S7：还对误报预警进行反馈，并把此区域标为非火焰，存入反馈数据库。
6.根据权利要求5所述的火焰预警方法，其特征在于：步骤S7之后，还执行S71：当反馈数据库中的数据量大于N时，则提取数据库中的所有反馈图片，并加入原始的火焰训练数据库中，并对反馈图片进行过采样，使用新的数据集对卷积神经网络分类器进行训练。
7.根据权利要求6所述的火焰预警方法，其特征在于：步骤S5中，还定期更新并实用新的卷积神经网络分类器。
8.根据权利要求1所述的火焰预警方法，其特征在于：步骤S4中，其步骤具体包括：
S41：输入一个区域中包含火焰时，跟踪器将此区域与已经记录的火焰区域对比；
S42：判断此区域与记录的某唯一区域的重叠率高于阈值T1，则认为此区域已经被认为是火焰，不再进行卷积神经网络的判断，且用此新区域的位置替换与之重叠的记录区域；
S43：判断此区域与记录的任何区域的重叠率都小于阈值T2，则认为此区域是新发现的火焰团块，将此区域记录入跟踪器；
S44：判断此区域与记录中的多个区域的重叠率高于阈值T1，则认为原火焰区域的多个融合成当前区域，则取当前区域与其重叠的所有记录区域的最小外接矩形计入记录区域，并且从跟踪器中删除所有记录的重叠区域；
S45：判断前多个区域与记录中某一个区域的重叠率高于阈值T1，则认为原火焰区域分裂成了当前多个区域，记录所有当前区域进入跟踪器并且从跟踪器中删除与当前多个区域重叠的记录区域；
S46：判断此最小外接矩形与跟踪的火焰团块中的某个区域相交的值大于80％，则认为此矩形已经被判断为火焰了，不再进行卷积神经网络的判断，直接用于更新火焰跟踪器以节省计算资源；否则下一步进入卷积神经网络的判断。
9.一种以上权1-8任一火焰预警方法所对应采用的火焰预警系统，其特征在于：包括火焰检测子系统和预警子系统，其中，火焰检测子系统包括：
对视频图像进行高斯模糊，求出高斯模糊后的图像的高斯模糊模块；
对高斯模糊后的图像进行基于像素值的候选区域提取候选火焰区域的提取模块；
对候选火焰区域进行分割，得到最终火焰候选区域的外接矩形坐标位置的分割模块；
对选火焰区域进行进行跟踪判断的跟踪判断器；
以及将各最终火焰候选区域的外接矩形坐标位置所在的图像，输入卷积神经网络分类器，经过卷积神经网络分类器的特征提取后送入判别层，最后输出是火焰的概率和不是火焰的概率的卷积神经网络分类器；
预警子系统包括有火焰预警发送模块和接收客户端。
10.根据权利要求9所述的火焰预警系统，其特征在于：还包括有一对误报预警进行反馈，并把此区域标为非火焰的用户反馈子系统、以及与其连接的反馈数据库。