基于Apriori 的視覺傳感網絡關聯數據高效識別方法

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）

智能監控存在于城市運轉的各個環節中，應用范圍十分廣泛，對于保障城市安全，促進城市有序發展具有重要意義[1]。在智能監控的過程中，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，真正實現監控的智能化[2]。因此在智能監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控設計

設計一種視覺傳感網絡聯合監控系統，監控視覺傳感網絡數據變化，獲取關聯數據[4]。在視覺傳感網絡聯合監控系統的設計中，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

在監控器單元中設計了CAN 監控器，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 關聯數據預處理

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

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

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

在形態學處理中，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數據預處理結果實施關聯數據識別。

1.3 視覺傳感網絡關聯數據識別

基于Apriori 算法實施視覺傳感網絡關聯數據之間關聯規則的挖掘，從而實現視覺傳感網絡關聯數據的識別[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）關聯規則生成。在生成中，MapReduce 設計具體如表3 所示。

表3 規則生成中的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規則。

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境：NVIDIA GeForce GTX 1050 Ti 顯卡、16 GB 內存、Window10 操作系統的一臺筆記本電腦。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控系統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數據識別性能。

最后對該文方法在關聯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秀的關聯數據識別性能。

3 結束語

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