基于圖像挖掘技術的車輛目標識別方法

趙燕萍

(太原工業學院 計算機工程系，太原 030008)

基于圖像挖掘技術的車輛目標識別方法

趙燕萍

(太原工業學院 計算機工程系，太原 030008)

在目前的圖像處理技術發展現狀中，圖像挖掘技術是其中一項較為突出和新穎的技術分支;而隨著日益龐大的圖像數據信息處理量的要求增加，卻沒有一個有效的分析和處理技術，為此，如何解決大量數據的解析和處理問題是目前圖像挖掘技術的主要方向，首先研究圖像挖掘技術的原理和其在目前社會中的應用情況，利用簡析圖像挖掘技術的基本原理分析其數據模型，探討其所具備的基本功能以及在車輛目標識別上的應用和方法;總結出圖像挖掘技術對圖像中所存在信息的完全解讀，挖掘圖像中存在的隱形關聯，而且隨著圖像挖掘技術的不斷改進，其目標識別的功能可以應用到車輛管理模式當中；通過實驗表明，此方法可以對目標圖像中車輛數量和種類的辨識度達到80%以上。

圖像處理技術；圖像挖掘技術；車輛目標識別；數據模型

0 引言

近些年，隨著科學技術的不斷發展，計算機技術和網絡技術的產生為接下來的數字圖像處理技術提供了發展的土壤。而且隨著數碼相機、監控系統以及遙感技術在我們日常生活和社會活動中的不斷應用，產生了大量的圖片數據資源，這也為圖像處理技術的發展和應用提供了很大的需求。“人們迫切需要能夠快速、準確地從浩如煙海的數據庫中發現隱藏的有用知識信息，從而提供重要的、未知的知識和資源，來指導決策，創造更大的效益，在這樣的需求驅動下，數據挖掘技術得以產生[1]。”通過以上的闡述，圖像挖掘技術可以總結為將大量的圖像數據資源中較為隱形和潛在的信息進行提取和挖掘行為。所產生的表現形式則為“概念(Concepts)、規則(Rules)、規律(Regularities)、模式(Patterns)”[2]。其挖掘的內容則為信號和圖像，而圖像的挖掘工作是其所具備的主要功能。

而在目前的車輛管理模式當中，車輛目標識別是其最基本也是最重要的環節之一。在進行車輛管理工作當中，無論道路監控設備還是個體單位的車輛監控系統，都會產生大量的圖像數據資源，為此，本文通過研究圖像挖掘技術的相關功能，結合目前車輛管理中的車輛目標識別方法進行整合研究[3]。在此基礎上設計出的車輛識別方法的可實用性和應用程度。

1 圖像挖掘技術的概念及數據模型

1.1 圖像挖掘技術的概念

圖像挖掘技術是基于現今的圖像處理技術而得以發展和應用的，其是圖像處理技術中的一個子方面，也是較為現今和創新性的技術之一，其是整合數據處理模式的基本原理結合圖像所產生的新型技術。面對社會生產生活中不斷增多的數據流量，大量的圖像數據處理很難實現更為詳細和挖掘隱形信息的功能，為此，圖像挖掘技術在此前提下被開發出來[4]。總結來說，圖像挖掘技術就是在大數據庫當中提取圖像數據，并且進行隱形關系分析和潛在信息資源的發現和提取。其整合了計算機中的圖像處理及檢索功能，增加了數據挖掘和模式識別能力。圖像挖掘技術是一個產出于圖像處理技術而又結合多種技術的交叉技術設計。而目前的圖像挖掘技術發展現狀還不夠完善和成熟，一些輔助和相關技術的應用也不夠徹底，還面臨著一些待開發的方面。例如，在圖像模式的表示上如何將所有信息統一表示在圖像特征的機制當中；怎樣有效地做到圖像檢索和分析工作，穩定高速地傳輸至圖像大數據庫當中；圖像模式的可視化完善發展，面對隱形和曖昧的信息資源進行適當的分析和解讀。

現有的圖像挖掘技術有: Simon 大學開發的Multi ediaMiner可以進行圖像集相關規則的挖掘; Mihai Dateu和Klau Sseidel開發了一個智能衛星挖掘系統; Mic haelC.Burletal用圖像挖掘技術對NASA目標進行分析, 獲取信息; M ihai Datcuetal用貝葉斯方法進行信息聚合和圖像數據挖掘; Miehaele Burletal在文獻中討論了圖像數據挖掘的分布式結構;討論了用圖像挖掘技術進行語義特征的抽取, 進行圖像檢索的新方法。我們可以看到, 人們對圖像挖掘研究的問題主要在于挖掘系統的建立和挖掘算法的發現。

1.2 數據模型

在圖像挖掘技術當中，挖掘技術的應用模型主要分為兩種：第一種功能驅動模型；第二種信息驅動模型。

1.2.1 功能驅動模型

在功能驅動模型中，其主要是依照設計好的或者是特殊情況下的要求來進行具體的圖像挖掘技術來進行框架構造[5]。其中，MultiMediaMiner就是功能驅動模型模式下構造起來的圖像挖掘技術，它是以DBMiner和C-BIRD這兩種系統作為開發的基礎，它也是目前最為典型的功能驅動模型。其所組成的部分則有圖像采集器、預處理器、檢索引擎、知識發現模塊這4種基本功能模塊。其中，圖像采集器(excavator)的工作是將儲存在圖像大數據庫當中的圖文數據進行提取。接著利用預處理器(Preprocessor)將所收集到的圖文數據進行特征的分析和提取工作，并且將所得到的結果另外儲存在特征數據庫當中。上述可以分類為準備模塊，在上述工作完成后用戶可以利用檢索引擎(search engine)通過分類好的特征進行相應的匹配查詢和提取到用戶界面。最后利用用戶端的軟件系統采用知識發現模塊(discovery modules)對搜索到的圖文數據進行特征描述、分類工作，利用關聯規則和聚類原則進行挖掘和解讀。圖1顯示圖像挖掘技術中的功能驅動模型的結構模式。

圖1 圖像挖掘技術中的功能驅動模型結構圖

1.2.2 信息驅動模型

圖像挖掘技術當中的信息驅動最早被提出是以圖像原始信息為主體，以此之上來利用圖像基本處理功能為基礎和圖像原始內容為藍本進行圖像挖掘的結構架設。其特別注重圖像信息中存在的層次關系和其所產生的不同相互作用。而這種模型架構在進行圖像挖掘過程中采用底層和高層分段處理的方式。在底層先利用原圖像中所具備的原始信息特征所顯現出來的對象及區域信息，進行聚類算法和領域知識圖像分割，將整體圖像的信息特征進行初步分類，設定出有意義和值得進行挖掘的信息區域。接下來在進行高層次的解讀和挖掘工作，對所分析的圖像數據進行更為詳細的挖掘和分析隱形關系及潛在信息。在信息驅動模型構造中可以細分為像素層、對象層、語義概念層、模式知識層這四個結構模式層次[6]。而結構使用方式則是從像素曾到模式知識層遞進進行，已完成此結構的工作。首先，在像素層進行原始圖像信息的和基本特征的分類，其中分類標準則根據所組成的素點、紋理、形狀、色彩等因素條件。接著利用分類出來的原始圖像基本特征通過對象層解讀出其中的特征和區域信息。以上兩層則處于底層次方面。接著利用語言概念層將分類解讀出來的信息重新進行語言整合，生成出高層次語言概念以進行高層次的圖像挖掘。模式知識層作為最后環節利用網絡中大數據庫中所儲存的各種知識概念和語言模式對收集來的新語義進行對比解讀，通過對比分類將圖像中所存在的隱形關系和潛在信息分類到相關的知識庫中，以此完成深層次的圖像挖掘工作。而且這種模式具備很強的靈活性，可以適時擴展，將挖掘工作同步到任何層次內進行，以做到更高效率和準確性。

2 圖像挖掘技術與車輛目標識別應用

在進行車輛數量和種類目標識別過程中，將利用到圖像挖掘技術中的圖層分離、灰度增強、闕值調整，使得圖像可以經過處理挖掘出圖像中的基本信息和隱形信息，做到對車輛目標識別的任務。

2.1 圖層分離

因為路面汽車圖像由于反光程度不同出現深色車和淺色車兩種情況，而小型車由于外形設計將反射光源分散，圖像收集器將其顯示為深色車，而大型車則顯示為淺色車。為了對車輛和路面進行圖像分析，采用圖像挖掘技術中的腐蝕和膨脹手段進行計算，對圖像內部進行色彩削弱，分類出兩種圖像，分表顯示大型車和小型車，這些工作都屬于圖像挖掘技術當中信息驅動模型中的底層工作[7]。

圖層分離公式如下：

式中，A為原始遙感圖像；A0為深色車輛所現實的圖層；A1是淺色車輛所顯示的圖層；Amax為直方圖中所顯現出來的像素點最多的灰度等級。

2.2 灰度增強

進行圖層分離工作之后，由于圖像中色彩不鮮明，多余色彩數值過多，導致在進行識別過程中無法準確的找出需要的車輛識別目標，為此進行提高灰度值，使整體圖像處在黑、灰、白像素范圍之內，形成數量較少的色彩分布，以達到對特定目標的識別。

利用灰度的線性變化，使得各個圖像中的圖層灰度值增加到[0.255]之間。其中，利用的變化公式如下：

其中:[a，b]為在進行調整前的像素灰度值范圍；g(x,y)是在進行調整后所產生的固定灰度值。

2.3 闕值分割

而闕值分割的作用也是為了保證灰度值可以處在一個較為適合的范圍之內。具體操作是先利用預處理手段進行圖像內部前景色和背景色進行分割，然而，進行多類分割會產生一定的不準確情況發生[8-9]。由于在進行分類分割時，分割其中一種顏色的時候會出現闕值差距拉大，系統會自動降低闕值的大小以求平衡，致使其他兩類實驗體所產生的像素差異和亮度變小，很難分辨出另外兩種的差異性。為此將采用固定闕值，將各實驗體的闕值數量設定便可對每一個實驗體進行檢測和識別，獲得相應的數據。

最后采用最大類間方差的方法進行灰度屬性分類，將背景和實驗體進行分離，這其中出現的方差值越大，分離效果越好，得到的視覺效果也越明顯。而進行類間方差要進行一下公式計算[10]：

設實驗中圖像的灰度等級為0，1，2，…，L-1；灰度等級為i，像素點的個數設為mi。利用公式計算整體的像素點數：

利用闕值分類中闕值數值t將所有的像素區分，形成C0=(0,1,2…，t)以及C1=(t+1,t+2，…，L-1)。其中這兩種類別的可能出現的概率可以利用公式計算得出：

兩種類別的平均灰度計算公式：

利用以上公式計算可以獲得相應的闕值和類間方差的數值，以此分析的計算得出最佳的闕值數量，以此數量調整最為合適圖像灰度值，獲得更為清晰的圖像信息。

3 實驗與結論

本文進行對于道路行駛中車輛數量以及種類的車輛目標識別實驗。其主要是通過利用遙感技術拍攝到的俯拍道路車輛圖像，如圖2所示。

圖2 拍攝的道路車輛行駛原始圖像

由圖2可知，先進行圖層分離工作，由于圖像中大型車和小型車對于光線反射情況不同形成車淺色車和深色車分別，為此，利用圖像分離的辦法將整體圖層分解成為兩個圖層，分別顯示小型車和大型車。圖3為分離后小型車顯示圖層，圖4為大型車顯示圖層。

圖3 分離后小型車圖層

圖4 分離后大型車圖層

由圖3可知，在進行圖層分離后可以清楚分辨此當路上的當前時段車輛種類的大致情況，但是圖像由于色彩繁多以及道路色彩不鮮明，對于具體數量的分別尚不清楚，還需要進行下一步實驗。

第二步進行灰度值調節，將車輛的色彩和路面色彩進行分離。通過底層處理保證深色車、路面、淺色車在圖像分類中各處于黑、灰、白三個灰度區間內。并且通得到數據制作出分布直方圖，如圖5所示。通過數據顯示出兩種車輛的像素點分別處于路面像素點峰值的兩側并且存在一定程度上的交叉。

圖5 像素個數隨灰度值變化情況

在進行各圖層的灰度值調節得到的數據顯示，在道路中車輛與車輛間的數量差異得到更加明確的表示，利用不同車型和路面灰度值不同分辨出個體間差異。而在圖像中對于車輛和路面色彩的分別仍較不完善。還需要對灰度值進行更加深層次的調節以求畫面更加直觀和數據完整。

第三步在灰度值調整的基礎上利用闕值計算，保證更加完善的和適合的灰度數值。利用以上公式配合實際圖層的色彩分布計算出相應的灰度范圍，并將得到數據分類繪制直方圖。圖6，圖7顯示在進行加深調整后大型車和小型車與地面灰度值關系圖。

因此，利用以上方法原圖像進行的初步挖掘可以清晰地得出其圖像中的基本特征，并且利用分布直方圖中直觀地表示出來。其主要的表現呈現出各自的像素點集中在高和低兩個灰度范圍之內。利用了這種特性和灰度值的顯示可以很清楚的在圖像中分辨出汽車的不同以及路面的情況。

第四步，將最后闕值計算得來的灰度數值進行類間方差計算，得出灰度值的最大最小及平均值，利用公式算出最佳的灰度范圍。本文實驗結果顯示最佳灰度值處于[0.255]之間的時候，圖像顯示最為明確，圖中基本信息顯示完整，整個準確率達到識別標準。通過實驗后得出處理完整圖像為圖8。

圖8 進行實驗后得到的結果圖像

由圖8可知，將實驗調整后的圖像進行重疊觀察，得出道路上車輛種類和數量信息。最后將實驗得到的數據利用語義邏輯編輯傳輸到上層挖掘結構當中，利用大數據庫中的信息和數據進行比對，做最后的深層次分析。實驗結果表明，對于小型車辨識度可以達到80%，而對于大型車辨識度可以達到85%。而車輛與路面色彩分離程度可以達到辨識度95%，通過不同步驟下辨識程度制成表格表1。可以清楚的分辨車輛間的數量關系和種類，達到分辨路面車輛目標識別的目的。

表1 不同試驗階段對于車輛型號和路面辨識度對比 %

4 結論

本文研究在目前的技術環境下和目前的社會需求中應用圖像挖掘技術的重要性。利用分析其基本原理和概要結合其主要作用和社會意義突出在未來的發展中，面對大數據分析和處理

時代，圖像挖掘技術是目前最為可行的辦法之一。并且利用圖像挖掘技術分析目前道路車輛目標識別情況，通過圖層分離、灰度調整、闕值設定等一系列辦法進行初期的圖像識別和挖掘工作。可以很好地做到對道路行駛車輛情況做到識別任務。

經過試驗表明，圖像挖掘技術在目前車輛目標識別應用上有很強的發展可能，并且仍具備開發新方向的潛力。

[1] 劉玉紅,謝正祥.圖像挖掘技術及醫學應用[J].中國醫學物理學雜志,2010，10(1):1610-1615.

[2] 王洪元,史國棟,符彥惟,等.數據挖掘技術在故障診斷中的應用[J].江蘇石油化工學院學報,2001，13(4):42-44.

[3] 曹天揚,申 莉.基于交通遙感圖像處理的車輛目標識別方法[J].計算機測量與控制,2014,22(1):222-224.

[4] 李開明,張 群,羅 迎,等.地面車輛目標識別研究綜述[J].電子學報,2014,10(3):538-546.

[5] 曹天揚, 申 莉. 基于交通遙感圖像處理的車輛目標識別方法[J]. 計算機測量與控制, 2014，22(1):222-232.

[6] 曲文龍,李衛東,楊炳儒.地圖像挖掘技術研究[J].計算機工程與應用,2004,3(23):256-263.

[7] 鳳祥云, 盧輝斌. 基于數據挖掘的水下激光圖像識別技術[J]. 激光雜志, 2016，6(1):55-58.

[8] 李新友. 圖像數據挖掘的預處理技術[J]. 河北旅游職業學院學報, 2015，4(3):101-106.

[9] 崔巨勇. 智能變電站信息一體化平臺數據挖掘技術研究[D]. 沈陽：沈陽工業大學, 2015.

[10] 劉利釗, 洪江水, 劉莉莉,等.面向大數據圖像處理的尺度空間挖掘算法及應用[J].上海交通大學學報, 2015, 19(11):1731-1735.

Vehicle Target Recognition Method Based on Image Mining Technology

Zhao Yanping

(Department of Computer Engineering,Taiyuan Institute of Technology,Taiyuan 030008,China)

In the current development of image processing technology, image mining technology is one of the more prominent and innovative technology branch. With the increasingly large amount of image data processing requirements increase, there is no effective analysis and processing technology, so how to solve the problem of a large number of data analysis and processing is the main direction of the current image mining technology. This paper will focus on the principle of image mining technology and its application in the current society. Based on the analysis of the basic principle of image mining technology, the data model is analyzed, and the basic function of the data model is discussed. Summed up the image mining technology can fully interpret the existing image information, mining association contact in image, and with the improvement of image mining technology, the target recognition function can be applied to vehicle management mode. Experiments show that this method can achieve more than 80% of the number of vehicles and the number of vehicles in the target image.

image processing technology; image mining technology; vehicle target recognition; data model

2016-11-28；

2016-12-20。

趙燕萍(1977-)，女，山西汾陽人，碩士研究生，副教授，主要從事計算機應用、智能信息處理方向的研究。

1671-4598(2017)02-0160-04

10.16526/j.cnki.11-4762/tp.2017.02.044

TP311

A