基于Apriori 的視覺傳感網絡關聯(lián)數據高效識別方法

蕭展輝，崔 焱，李文俊，明 哲，楊榮霞

（1.南方電網數字電網研究院有限公司，廣東廣州 510663；2.廣州穗能通科技有限責任公司，廣東廣州 510620）

智能監(jiān)控存在于城市運轉的各個環(huán)節(jié)中，應用范圍十分廣泛，對于保障城市安全，促進城市有序發(fā)展具有重要意義[1]。在智能監(jiān)控的過程中，計算機需要獲取并處理視覺傳感網絡數據，才能解析目標行為，真正實現監(jiān)控的智能化[2]。因此在智能監(jiān)控中需要應用有著較強目標識別檢測能力的視覺傳感網絡。通過視覺傳感網絡能夠大幅提高智能系統(tǒng)分析場景數據的效率[3]。文中應用Apriori 算法提出視覺傳感網絡關聯(lián)數據高效識別方法，以提高視覺傳感網絡數據的識別性能。

1 識別方法設計

1.1 視覺傳感網絡數據變化監(jiān)控設計

設計一種視覺傳感網絡聯(lián)合監(jiān)控系統(tǒng)，監(jiān)控視覺傳感網絡數據變化，獲取關聯(lián)數據[4]。在視覺傳感網絡聯(lián)合監(jiān)控系統(tǒng)的設計中，共設計處理器單元、數據傳輸單元、圖像傳感器單元和監(jiān)控器單元[5]四個單元。

在處理器單元中，選用一種高效的圖像處理器，并分別優(yōu)化設計DSP 芯片[6]、FPGA 芯片[7]和視頻解碼芯片[8]等。其中，FPGA 芯片由可編程內部互連器、可編程輸入器、可編程輸出器、可編程邏輯器構成。在不同工作模式下，FPGA 芯片的電壓頻率設計具體如表1 所示。

表1 不同工作模式的FPGA芯片電壓頻率

通過FPGA 芯片能夠實現數據通道、芯片的互聯(lián)以及處理器的接口邏輯。

在圖像傳感器單元中，通過設計圖像傳感器能夠實現視覺傳感網絡圖像數據變化的采集[9]。圖像傳感器具體由時序和控制器、行列選擇器、模擬信號處理器、ADC 模塊以及敏感單元陣列構成，像素面積為2 048 ×2 048，最高讀出頻率為66 MHz，通過127幀FPGA 對該傳感器封裝。

在數據傳輸單元的設計中，主要通過PCIE 總線實現數據傳輸。PCIE 總線的結構設計具體如圖1所示。

圖1 PCIE總線的結構設計

在監(jiān)控器單元中設計了CAN 監(jiān)控器，由旁路拷貝器、CAN 幀采集器、CAN 鏈路層、中斷服務器安全組件、D/A 轉換電路、實時時鐘和應用層構成[10]。

1.2 關聯(lián)數據預處理

基于上述設計獲取關聯(lián)數據，并對視覺傳感網絡關聯(lián)數據實施預處理，具體預處理步驟包括ROI提取、形態(tài)學處理兩部分。

ROI 提取是對視覺傳感網絡關聯(lián)數據中的感興趣區(qū)域提取。通過式（1）、式（2）確定感興趣區(qū)域上限的ROI：

在明確感興趣區(qū)域上限的ROI 后，以同樣的方式確定感興趣區(qū)域下限的ROI，完成感興趣區(qū)域的提取。

在形態(tài)學處理中，首先實施圖像的腐蝕處理。用f(x,y)表示一幅灰度圖像，用b(s,t)表示一個結構元。當b(s,t)的原點位于(x,y)處時，使用一個平坦的b(s,t)對圖像實施腐蝕處理，具體公式如下：

使用一個平坦的b(s,t)對圖像實施膨脹處理，具體公式如下：

在上述處理后，使用平坦的b(s,t)對圖像實施開操作和閉操作，具體公式如下：

通過視覺傳感網絡關聯(lián)數據預處理結果實施關聯(lián)數據識別。

1.3 視覺傳感網絡關聯(lián)數據識別

基于Apriori 算法實施視覺傳感網絡關聯(lián)數據之間關聯(lián)規(guī)則的挖掘，從而實現視覺傳感網絡關聯(lián)數據的識別[13]。

具體挖掘步驟如下：

1）頻繁項集生成。具體需要分為五個步驟：

①定義Key/Value

通過MapReduce 編程模式實現Apriori 算法，對Key/Value 的類型定義，具體如表2 所示。

表2 Key/Value 的類型定義

其中，通過Key 能夠實現Writable Comparable接口，通過Value 能夠實現Writable 接口。

② 輸入數據

將RecordReader、Input Split、Input Format 作 為數據輸入的三個編程接口。其中RecordReader 的作用是對各Input Split 塊進行解析，使Input Split 塊變成多個＜Key1,Value1＞對，向Map 傳送任務；Input Format 的作用是對輸入的數據實施塊的劃分，各塊類型均為Input Split[14-15]。

③ Mapper 接口實現

Mapper 接口實現即對輸出＜Key2,Value2＞對與輸入＜Key1,Value1＞對進行處理。在該過程中，各Map 的主要功能是產生局部頻繁項集，主要通過在Map 端設置Combiner 函數來實現。

④ Reduce 接口實現

Reduce 接口實現也就是實現Reduce，以對數據中的相同項實施計數累加，判斷是否滿足用戶所設置的支持度，將符合要求的輸出。該過程主要通過在Reduce 端設置一個Insert函數來實現[16]。

⑤ 輸出數據

通過RecordWriter 接口、FileOutputFormat 接口實現數據輸出過程。

2）關聯(lián)規(guī)則生成。在生成中，MapReduce 設計具體如表3 所示。

表3 規(guī)則生成中的MapReduce 設計

送入每個Map 的數據主要利用函數get Rules Map Reduce(L,min_conf)對規(guī)則進行獲取。在函數get Rules Map Reduce(L,min_conf)內部，利用遞歸調用函數gen Rule獲取頻繁項集中存在的強關聯(lián)規(guī)則。

2 識別性能測試

2.1 實驗設置

在測試中，首先布設以下實驗環(huán)境：NVIDIA GeForce GTX 1050 Ti 顯卡、16 GB 內存、Window10 操作系統(tǒng)的一臺筆記本電腦。通過TensorFlow1.12.0與Python3.6 編寫設計方法程序。

測試實驗數據為某監(jiān)控系統(tǒng)中的三個視覺傳感網絡數據集，第一個數據集中的圖像為較多目標的圖像，第二個數據集中的圖像為較少目標的圖像，第二個數據集中的圖像為較少目標但背景物較多的圖像。三個數據集中的圖像示例如圖2 所示。通過實驗數據集測試該文方法的微平均查全率、微平均查準率以及召回率。

圖2 數據集圖像示例

2.2 識別性能分析結果

首先測試該文方法的微平均查全率，測試結果如圖3 所示。

圖3 微平均查全率測試結果

根據圖3 可知，該文方法在三種類型圖像的關聯(lián)數據識別中微平均查全率均較高，最低也能達到94.86%，證明了該文方法有著良好的關聯(lián)數據識別性能。

該文方法的微平均查準率測試結果如圖4所示。

圖4 微平均查準率測試結果

圖4 的微平均查準率測試數據表明，該文方法在三種類型圖像的關聯(lián)數據識別中微平均查準率也較高，最低也能達到93.02%，證明了該文方法有著良好的關聯(lián)數據識別性能。

最后對該文方法在關聯(lián)數據識別中的召回率進行測試，測試結果具體如表4 所示。

表4 召回率測試結果

根據表4 的召回率測試數據，該文方法在關聯(lián)數據識別中的召回率均較高，最高召回率為98.52%，最低召回率為90.36%，整體召回率超過90%，同樣證明了設計方法有著優(yōu)秀的關聯(lián)數據識別性能。

3 結束語

文中在視覺傳感網絡應用的研究中，為解決其關聯(lián)數據識別問題，設計了一種基于Apriori 的視覺傳感網絡關聯(lián)數據高效識別方法，實現了簡單、高準確率的關聯(lián)數據高效識別，對于視覺傳感網絡應用的擴展有很大意義。