基于Apriori 的视觉传感网络关联数据高效识别方法

萧展辉，崔 焱，李文俊，明 哲，杨荣霞

（1.南方电网数字电网研究院有限公司，广东广州 510663；2.广州穗能通科技有限责任公司，广东广州 510620）

智能监控存在于城市运转的各个环节中，应用范围十分广泛，对于保障城市安全，促进城市有序发展具有重要意义[1]。在智能监控的过程中，计算机需要获取并处理视觉传感网络数据，才能解析目标行为，真正实现监控的智能化[2]。因此在智能监控中需要应用有着较强目标识别检测能力的视觉传感网络。通过视觉传感网络能够大幅提高智能系统分析场景数据的效率[3]。文中应用Apriori 算法提出视觉传感网络关联数据高效识别方法，以提高视觉传感网络数据的识别性能。

1 识别方法设计

1.1 视觉传感网络数据变化监控设计

设计一种视觉传感网络联合监控系统，监控视觉传感网络数据变化，获取关联数据[4]。在视觉传感网络联合监控系统的设计中，共设计处理器单元、数据传输单元、图像传感器单元和监控器单元[5]四个单元。

在处理器单元中，选用一种高效的图像处理器，并分别优化设计DSP 芯片[6]、FPGA 芯片[7]和视频解码芯片[8]等。其中，FPGA 芯片由可编程内部互连器、可编程输入器、可编程输出器、可编程逻辑器构成。在不同工作模式下，FPGA 芯片的电压频率设计具体如表1 所示。

表1 不同工作模式的FPGA芯片电压频率

通过FPGA 芯片能够实现数据通道、芯片的互联以及处理器的接口逻辑。

在图像传感器单元中，通过设计图像传感器能够实现视觉传感网络图像数据变化的采集[9]。图像传感器具体由时序和控制器、行列选择器、模拟信号处理器、ADC 模块以及敏感单元阵列构成，像素面积为2 048 ×2 048，最高读出频率为66 MHz，通过127帧FPGA 对该传感器封装。

在数据传输单元的设计中，主要通过PCIE 总线实现数据传输。PCIE 总线的结构设计具体如图1所示。

图1 PCIE总线的结构设计

在监控器单元中设计了CAN 监控器，由旁路拷贝器、CAN 帧采集器、CAN 链路层、中断服务器安全组件、D/A 转换电路、实时时钟和应用层构成[10]。

1.2 关联数据预处理

基于上述设计获取关联数据，并对视觉传感网络关联数据实施预处理，具体预处理步骤包括ROI提取、形态学处理两部分。

ROI 提取是对视觉传感网络关联数据中的感兴趣区域提取。通过式（1）、式（2）确定感兴趣区域上限的ROI：

在明确感兴趣区域上限的ROI 后，以同样的方式确定感兴趣区域下限的ROI，完成感兴趣区域的提取。

在形态学处理中，首先实施图像的腐蚀处理。用f(x,y)表示一幅灰度图像，用b(s,t)表示一个结构元。当b(s,t)的原点位于(x,y)处时，使用一个平坦的b(s,t)对图像实施腐蚀处理，具体公式如下：

使用一个平坦的b(s,t)对图像实施膨胀处理，具体公式如下：

在上述处理后，使用平坦的b(s,t)对图像实施开操作和闭操作，具体公式如下：

通过视觉传感网络关联数据预处理结果实施关联数据识别。

1.3 视觉传感网络关联数据识别

基于Apriori 算法实施视觉传感网络关联数据之间关联规则的挖掘，从而实现视觉传感网络关联数据的识别[13]。

具体挖掘步骤如下：

1）频繁项集生成。具体需要分为五个步骤：

①定义Key/Value

通过MapReduce 编程模式实现Apriori 算法，对Key/Value 的类型定义，具体如表2 所示。

表2 Key/Value 的类型定义

其中，通过Key 能够实现Writable Comparable接口，通过Value 能够实现Writable 接口。

② 输入数据

将RecordReader、Input Split、Input Format 作 为数据输入的三个编程接口。其中RecordReader 的作用是对各Input Split 块进行解析，使Input Split 块变成多个＜Key1,Value1＞对，向Map 传送任务；Input Format 的作用是对输入的数据实施块的划分，各块类型均为Input Split[14-15]。

③ Mapper 接口实现

Mapper 接口实现即对输出＜Key2,Value2＞对与输入＜Key1,Value1＞对进行处理。在该过程中，各Map 的主要功能是产生局部频繁项集，主要通过在Map 端设置Combiner 函数来实现。

④ Reduce 接口实现

Reduce 接口实现也就是实现Reduce，以对数据中的相同项实施计数累加，判断是否满足用户所设置的支持度，将符合要求的输出。该过程主要通过在Reduce 端设置一个Insert函数来实现[16]。

⑤ 输出数据

通过RecordWriter 接口、FileOutputFormat 接口实现数据输出过程。

2）关联规则生成。在生成中，MapReduce 设计具体如表3 所示。

表3 规则生成中的MapReduce 设计

送入每个Map 的数据主要利用函数get Rules Map Reduce(L,min_conf)对规则进行获取。在函数get Rules Map Reduce(L,min_conf)内部，利用递归调用函数gen Rule获取频繁项集中存在的强关联规则。

2 识别性能测试

2.1 实验设置

在测试中，首先布设以下实验环境：NVIDIA GeForce GTX 1050 Ti 显卡、16 GB 内存、Window10 操作系统的一台笔记本电脑。通过TensorFlow1.12.0与Python3.6 编写设计方法程序。

测试实验数据为某监控系统中的三个视觉传感网络数据集，第一个数据集中的图像为较多目标的图像，第二个数据集中的图像为较少目标的图像，第二个数据集中的图像为较少目标但背景物较多的图像。三个数据集中的图像示例如图2 所示。通过实验数据集测试该文方法的微平均查全率、微平均查准率以及召回率。

图2 数据集图像示例

2.2 识别性能分析结果

首先测试该文方法的微平均查全率，测试结果如图3 所示。

图3 微平均查全率测试结果

根据图3 可知，该文方法在三种类型图像的关联数据识别中微平均查全率均较高，最低也能达到94.86%，证明了该文方法有着良好的关联数据识别性能。

该文方法的微平均查准率测试结果如图4所示。

图4 微平均查准率测试结果

图4 的微平均查准率测试数据表明，该文方法在三种类型图像的关联数据识别中微平均查准率也较高，最低也能达到93.02%，证明了该文方法有着良好的关联数据识别性能。

最后对该文方法在关联数据识别中的召回率进行测试，测试结果具体如表4 所示。

表4 召回率测试结果

根据表4 的召回率测试数据，该文方法在关联数据识别中的召回率均较高，最高召回率为98.52%，最低召回率为90.36%，整体召回率超过90%，同样证明了设计方法有着优秀的关联数据识别性能。

3 结束语

文中在视觉传感网络应用的研究中，为解决其关联数据识别问题，设计了一种基于Apriori 的视觉传感网络关联数据高效识别方法，实现了简单、高准确率的关联数据高效识别，对于视觉传感网络应用的扩展有很大意义。