基于圖像挖掘技術(shù)的車(chē)輛目標(biāo)識(shí)別方法

趙燕萍

(太原工業(yè)學(xué)院 計(jì)算機(jī)工程系，太原 030008)

基于圖像挖掘技術(shù)的車(chē)輛目標(biāo)識(shí)別方法

趙燕萍

(太原工業(yè)學(xué)院 計(jì)算機(jī)工程系，太原 030008)

在目前的圖像處理技術(shù)發(fā)展現(xiàn)狀中，圖像挖掘技術(shù)是其中一項(xiàng)較為突出和新穎的技術(shù)分支;而隨著日益龐大的圖像數(shù)據(jù)信息處理量的要求增加，卻沒(méi)有一個(gè)有效的分析和處理技術(shù)，為此，如何解決大量數(shù)據(jù)的解析和處理問(wèn)題是目前圖像挖掘技術(shù)的主要方向，首先研究圖像挖掘技術(shù)的原理和其在目前社會(huì)中的應(yīng)用情況，利用簡(jiǎn)析圖像挖掘技術(shù)的基本原理分析其數(shù)據(jù)模型，探討其所具備的基本功能以及在車(chē)輛目標(biāo)識(shí)別上的應(yīng)用和方法;總結(jié)出圖像挖掘技術(shù)對(duì)圖像中所存在信息的完全解讀，挖掘圖像中存在的隱形關(guān)聯(lián)，而且隨著圖像挖掘技術(shù)的不斷改進(jìn)，其目標(biāo)識(shí)別的功能可以應(yīng)用到車(chē)輛管理模式當(dāng)中；通過(guò)實(shí)驗(yàn)表明，此方法可以對(duì)目標(biāo)圖像中車(chē)輛數(shù)量和種類(lèi)的辨識(shí)度達(dá)到80%以上。

圖像處理技術(shù)；圖像挖掘技術(shù)；車(chē)輛目標(biāo)識(shí)別；數(shù)據(jù)模型

0 引言

近些年，隨著科學(xué)技術(shù)的不斷發(fā)展，計(jì)算機(jī)技術(shù)和網(wǎng)絡(luò)技術(shù)的產(chǎn)生為接下來(lái)的數(shù)字圖像處理技術(shù)提供了發(fā)展的土壤。而且隨著數(shù)碼相機(jī)、監(jiān)控系統(tǒng)以及遙感技術(shù)在我們?nèi)粘Ｉ詈蜕鐣?huì)活動(dòng)中的不斷應(yīng)用，產(chǎn)生了大量的圖片數(shù)據(jù)資源，這也為圖像處理技術(shù)的發(fā)展和應(yīng)用提供了很大的需求?！叭藗兤惹行枰軌蚩焖?、準(zhǔn)確地從浩如煙海的數(shù)據(jù)庫(kù)中發(fā)現(xiàn)隱藏的有用知識(shí)信息，從而提供重要的、未知的知識(shí)和資源，來(lái)指導(dǎo)決策，創(chuàng)造更大的效益，在這樣的需求驅(qū)動(dòng)下，數(shù)據(jù)挖掘技術(shù)得以產(chǎn)生[1]。”通過(guò)以上的闡述，圖像挖掘技術(shù)可以總結(jié)為將大量的圖像數(shù)據(jù)資源中較為隱形和潛在的信息進(jìn)行提取和挖掘行為。所產(chǎn)生的表現(xiàn)形式則為“概念(Concepts)、規(guī)則(Rules)、規(guī)律(Regularities)、模式(Patterns)”[2]。其挖掘的內(nèi)容則為信號(hào)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(chē)輛管理模式當(dāng)中，車(chē)輛目標(biāo)識(shí)別是其最基本也是最重要的環(huán)節(jié)之一。在進(jìn)行車(chē)輛管理工作當(dāng)中，無(wú)論道路監(jiān)控設(shè)備還是個(gè)體單位的車(chē)輛監(jiān)控系統(tǒng)，都會(huì)產(chǎn)生大量的圖像數(shù)據(jù)資源，為此，本文通過(guò)研究圖像挖掘技術(shù)的相關(guān)功能，結(jié)合目前車(chē)輛管理中的車(chē)輛目標(biāo)識(shí)別方法進(jìn)行整合研究[3]。在此基礎(chǔ)上設(shè)計(jì)出的車(chē)輛識(shí)別方法的可實(shí)用性和應(yīng)用程度。

1 圖像挖掘技術(shù)的概念及數(shù)據(jù)模型

1.1 圖像挖掘技術(shù)的概念

圖像挖掘技術(shù)是基于現(xiàn)今的圖像處理技術(shù)而得以發(fā)展和應(yīng)用的，其是圖像處理技術(shù)中的一個(gè)子方面，也是較為現(xiàn)今和創(chuàng)新性的技術(shù)之一，其是整合數(shù)據(jù)處理模式的基本原理結(jié)合圖像所產(chǎn)生的新型技術(shù)。面對(duì)社會(huì)生產(chǎn)生活中不斷增多的數(shù)據(jù)流量，大量的圖像數(shù)據(jù)處理很難實(shí)現(xiàn)更為詳細(xì)和挖掘隱形信息的功能，為此，圖像挖掘技術(shù)在此前提下被開(kāi)發(fā)出來(lái)[4]?？偨Y(jié)來(lái)說(shuō)，圖像挖掘技術(shù)就是在大數(shù)據(jù)庫(kù)當(dāng)中提取圖像數(shù)據(jù)，并且進(jìn)行隱形關(guān)系分析和潛在信息資源的發(fā)現(xiàn)和提取。其整合了計(jì)算機(jī)中的圖像處理及檢索功能，增加了數(shù)據(jù)挖掘和模式識(shí)別能力。圖像挖掘技術(shù)是一個(gè)產(chǎn)出于圖像處理技術(shù)而又結(jié)合多種技術(shù)的交叉技術(shù)設(shè)計(jì)。而目前的圖像挖掘技術(shù)發(fā)展現(xiàn)狀還不夠完善和成熟，一些輔助和相關(guān)技術(shù)的應(yīng)用也不夠徹底，還面臨著一些待開(kāi)發(fā)的方面。例如，在圖像模式的表示上如何將所有信息統(tǒng)一表示在圖像特征的機(jī)制當(dāng)中；怎樣有效地做到圖像檢索和分析工作，穩(wěn)定高速地傳輸至圖像大數(shù)據(jù)庫(kù)當(dāng)中；圖像模式的可視化完善發(fā)展，面對(duì)隱形和曖昧的信息資源進(jìn)行適當(dāng)?shù)姆治龊徒庾x。

現(xiàn)有的圖像挖掘技術(shù)有: Simon 大學(xué)開(kāi)發(fā)的Multi ediaMiner可以進(jìn)行圖像集相關(guān)規(guī)則的挖掘; Mihai Dateu和Klau Sseidel開(kāi)發(fā)了一個(gè)智能衛(wèi)星挖掘系統(tǒng); Mic haelC.Burletal用圖像挖掘技術(shù)對(duì)NASA目標(biāo)進(jìn)行分析, 獲取信息; M ihai Datcuetal用貝葉斯方法進(jìn)行信息聚合和圖像數(shù)據(jù)挖掘; Miehaele Burletal在文獻(xiàn)中討論了圖像數(shù)據(jù)挖掘的分布式結(jié)構(gòu);討論了用圖像挖掘技術(shù)進(jìn)行語(yǔ)義特征的抽取, 進(jìn)行圖像檢索的新方法。我們可以看到, 人們對(duì)圖像挖掘研究的問(wèn)題主要在于挖掘系統(tǒng)的建立和挖掘算法的發(fā)現(xiàn)。

1.2 數(shù)據(jù)模型

在圖像挖掘技術(shù)當(dāng)中，挖掘技術(shù)的應(yīng)用模型主要分為兩種：第一種功能驅(qū)動(dòng)模型；第二種信息驅(qū)動(dòng)模型。

1.2.1 功能驅(qū)動(dòng)模型

在功能驅(qū)動(dòng)模型中，其主要是依照設(shè)計(jì)好的或者是特殊情況下的要求來(lái)進(jìn)行具體的圖像挖掘技術(shù)來(lái)進(jìn)行框架構(gòu)造[5]。其中，MultiMediaMiner就是功能驅(qū)動(dòng)模型模式下構(gòu)造起來(lái)的圖像挖掘技術(shù)，它是以DBMiner和C-BIRD這兩種系統(tǒng)作為開(kāi)發(fā)的基礎(chǔ)，它也是目前最為典型的功能驅(qū)動(dòng)模型。其所組成的部分則有圖像采集器、預(yù)處理器、檢索引擎、知識(shí)發(fā)現(xiàn)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(chǔ)存在圖像大數(shù)據(jù)庫(kù)當(dāng)中的圖文數(shù)據(jù)進(jìn)行提取。接著利用預(yù)處理器(Preprocessor)將所收集到的圖文數(shù)據(jù)進(jìn)行特征的分析和提取工作，并且將所得到的結(jié)果另外儲(chǔ)存在特征數(shù)據(jù)庫(kù)當(dāng)中。上述可以分類(lèi)為準(zhǔn)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(guò)分類(lèi)好的特征進(jìn)行相應(yīng)的匹配查詢(xún)和提取到用戶界面。最后利用用戶端的軟件系統(tǒng)采用知識(shí)發(fā)現(xiàn)模塊(discovery modules)對(duì)搜索到的圖文數(shù)據(jù)進(jìn)行特征描述、分類(lèi)工作，利用關(guān)聯(lián)規(guī)則和聚類(lèi)原則進(jìn)行挖掘和解讀。圖1顯示圖像挖掘技術(shù)中的功能驅(qū)動(dòng)模型的結(jié)構(gòu)模式。

圖1 圖像挖掘技術(shù)中的功能驅(qū)動(dòng)模型結(jié)構(gòu)圖

1.2.2 信息驅(qū)動(dòng)模型

圖像挖掘技術(shù)當(dāng)中的信息驅(qū)動(dòng)最早被提出是以圖像原始信息為主體，以此之上來(lái)利用圖像基本處理功能為基礎(chǔ)和圖像原始內(nèi)容為藍(lán)本進(jìn)行圖像挖掘的結(jié)構(gòu)架設(shè)。其特別注重圖像信息中存在的層次關(guān)系和其所產(chǎn)生的不同相互作用。而這種模型架構(gòu)在進(jìn)行圖像挖掘過(guò)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(xiàn)出來(lái)的對(duì)象及區(qū)域信息，進(jìn)行聚類(lèi)算法和領(lǐng)域知識(shí)圖像分割，將整體圖像的信息特征進(jìn)行初步分類(lèi)，設(shè)定出有意義和值得進(jìn)行挖掘的信息區(qū)域。接下來(lái)在進(jìn)行高層次的解讀和挖掘工作，對(duì)所分析的圖像數(shù)據(jù)進(jìn)行更為詳細(xì)的挖掘和分析隱形關(guān)系及潛在信息。在信息驅(qū)動(dòng)模型構(gòu)造中可以細(xì)分為像素層、對(duì)象層、語(yǔ)義概念層、模式知識(shí)層這四個(gè)結(jié)構(gòu)模式層次[6]。而結(jié)構(gòu)使用方式則是從像素曾到模式知識(shí)層遞進(jìn)進(jìn)行，已完成此結(jié)構(gòu)的工作。首先，在像素層進(jìn)行原始圖像信息的和基本特征的分類(lèi)，其中分類(lèi)標(biāo)準(zhǔn)則根據(jù)所組成的素點(diǎn)、紋理、形狀、色彩等因素條件。接著利用分類(lèi)出來(lái)的原始圖像基本特征通過(guò)對(duì)象層解讀出其中的特征和區(qū)域信息。以上兩層則處于底層次方面。接著利用語(yǔ)言概念層將分類(lèi)解讀出來(lái)的信息重新進(jìn)行語(yǔ)言整合，生成出高層次語(yǔ)言概念以進(jìn)行高層次的圖像挖掘。模式知識(shí)層作為最后環(huán)節(jié)利用網(wǎng)絡(luò)中大數(shù)據(jù)庫(kù)中所儲(chǔ)存的各種知識(shí)概念和語(yǔ)言模式對(duì)收集來(lái)的新語(yǔ)義進(jìn)行對(duì)比解讀，通過(guò)對(duì)比分類(lèi)將圖像中所存在的隱形關(guān)系和潛在信息分類(lèi)到相關(guān)的知識(shí)庫(kù)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(qiáng)的靈活性，可以適時(shí)擴(kuò)展，將挖掘工作同步到任何層次內(nèi)進(jìn)行，以做到更高效率和準(zhǔn)確性。

2 圖像挖掘技術(shù)與車(chē)輛目標(biāo)識(shí)別應(yīng)用

在進(jìn)行車(chē)輛數(shù)量和種類(lèi)目標(biāo)識(shí)別過(guò)程中，將利用到圖像挖掘技術(shù)中的圖層分離、灰度增強(qiáng)、闕值調(diào)整，使得圖像可以經(jīng)過(guò)處理挖掘出圖像中的基本信息和隱形信息，做到對(duì)車(chē)輛目標(biāo)識(shí)別的任務(wù)。

2.1 圖層分離

因?yàn)槁访嫫?chē)圖像由于反光程度不同出現(xiàn)深色車(chē)和淺色車(chē)兩種情況，而小型車(chē)由于外形設(shè)計(jì)將反射光源分散，圖像收集器將其顯示為深色車(chē)，而大型車(chē)則顯示為淺色車(chē)。為了對(duì)車(chē)輛和路面進(jìn)行圖像分析，采用圖像挖掘技術(shù)中的腐蝕和膨脹手段進(jìn)行計(jì)算，對(duì)圖像內(nèi)部進(jìn)行色彩削弱，分類(lèi)出兩種圖像，分表顯示大型車(chē)和小型車(chē)，這些工作都屬于圖像挖掘技術(shù)當(dāng)中信息驅(qū)動(dòng)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(chē)輛所現(xiàn)實(shí)的圖層；A1是淺色車(chē)輛所顯示的圖層；Amax為直方圖中所顯現(xiàn)出來(lái)的像素點(diǎn)最多的灰度等級(jí)。

2.2 灰度增強(qiáng)

進(jìn)行圖層分離工作之后，由于圖像中色彩不鮮明，多余色彩數(shù)值過(guò)多，導(dǎo)致在進(jìn)行識(shí)別過(guò)程中無(wú)法準(zhǔn)確的找出需要的車(chē)輛識(shí)別目標(biāo)，為此進(jìn)行提高灰度值，使整體圖像處在黑、灰、白像素范圍之內(nèi)，形成數(shù)量較少的色彩分布，以達(dá)到對(duì)特定目標(biāo)的識(shí)別。

利用灰度的線性變化，使得各個(gè)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(jìn)行調(diào)整前的像素灰度值范圍；g(x,y)是在進(jìn)行調(diào)整后所產(chǎn)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(gè)較為適合的范圍之內(nèi)。具體操作是先利用預(yù)處理手段進(jìn)行圖像內(nèi)部前景色和背景色進(jìn)行分割，然而，進(jìn)行多類(lèi)分割會(huì)產(chǎn)生一定的不準(zhǔn)確情況發(fā)生[8-9]。由于在進(jìn)行分類(lèi)分割時(shí)，分割其中一種顏色的時(shí)候會(huì)出現(xiàn)闕值差距拉大，系統(tǒng)會(huì)自動(dòng)降低闕值的大小以求平衡，致使其他兩類(lèi)實(shí)驗(yàn)體所產(chǎn)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(shí)驗(yàn)體的闕值數(shù)量設(shè)定便可對(duì)每一個(gè)實(shí)驗(yàn)體進(jìn)行檢測(cè)和識(shí)別，獲得相應(yīng)的數(shù)據(jù)。

最后采用最大類(lèi)間方差的方法進(jìn)行灰度屬性分類(lèi)，將背景和實(shí)驗(yàn)體進(jìn)行分離，這其中出現(xiàn)的方差值越大，分離效果越好，得到的視覺(jué)效果也越明顯。而進(jìn)行類(lèi)間方差要進(jìn)行一下公式計(jì)算[10]：

設(shè)實(shí)驗(yàn)中圖像的灰度等級(jí)為0，1，2，…，L-1；灰度等級(jí)為i，像素點(diǎn)的個(gè)數(shù)設(shè)為mi。利用公式計(jì)算整體的像素點(diǎn)數(shù)：

利用闕值分類(lèi)中闕值數(shù)值t將所有的像素區(qū)分，形成C0=(0,1,2…，t)以及C1=(t+1,t+2，…，L-1)。其中這兩種類(lèi)別的可能出現(xiàn)的概率可以利用公式計(jì)算得出：

兩種類(lèi)別的平均灰度計(jì)算公式：

利用以上公式計(jì)算可以獲得相應(yīng)的闕值和類(lèi)間方差的數(shù)值，以此分析的計(jì)算得出最佳的闕值數(shù)量，以此數(shù)量調(diào)整最為合適圖像灰度值，獲得更為清晰的圖像信息。

3 實(shí)驗(yàn)與結(jié)論

本文進(jìn)行對(duì)于道路行駛中車(chē)輛數(shù)量以及種類(lèi)的車(chē)輛目標(biāo)識(shí)別實(shí)驗(yàn)。其主要是通過(guò)利用遙感技術(shù)拍攝到的俯拍道路車(chē)輛圖像，如圖2所示。

圖2 拍攝的道路車(chē)輛行駛原始圖像

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

圖3 分離后小型車(chē)圖層

圖4 分離后大型車(chē)圖層

由圖3可知，在進(jìn)行圖層分離后可以清楚分辨此當(dāng)路上的當(dāng)前時(shí)段車(chē)輛種類(lèi)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(duì)于具體數(shù)量的分別尚不清楚，還需要進(jìn)行下一步實(shí)驗(yàn)。

第二步進(jìn)行灰度值調(diào)節(jié)，將車(chē)輛的色彩和路面色彩進(jìn)行分離。通過(guò)底層處理保證深色車(chē)、路面、淺色車(chē)在圖像分類(lèi)中各處于黑、灰、白三個(gè)灰度區(qū)間內(nèi)。并且通得到數(shù)據(jù)制作出分布直方圖，如圖5所示。通過(guò)數(shù)據(jù)顯示出兩種車(chē)輛的像素點(diǎn)分別處于路面像素點(diǎn)峰值的兩側(cè)并且存在一定程度上的交叉。

圖5 像素個(gè)數(shù)隨灰度值變化情況

在進(jìn)行各圖層的灰度值調(diào)節(jié)得到的數(shù)據(jù)顯示，在道路中車(chē)輛與車(chē)輛間的數(shù)量差異得到更加明確的表示，利用不同車(chē)型和路面灰度值不同分辨出個(gè)體間差異。而在圖像中對(duì)于車(chē)輛和路面色彩的分別仍較不完善。還需要對(duì)灰度值進(jìn)行更加深層次的調(diào)節(jié)以求畫(huà)面更加直觀和數(shù)據(jù)完整。

第三步在灰度值調(diào)整的基礎(chǔ)上利用闕值計(jì)算，保證更加完善的和適合的灰度數(shù)值。利用以上公式配合實(shí)際圖層的色彩分布計(jì)算出相應(yīng)的灰度范圍，并將得到數(shù)據(jù)分類(lèi)繪制直方圖。圖6，圖7顯示在進(jìn)行加深調(diào)整后大型車(chē)和小型車(chē)與地面灰度值關(guān)系圖。

因此，利用以上方法原圖像進(jìn)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(lái)。其主要的表現(xiàn)呈現(xiàn)出各自的像素點(diǎn)集中在高和低兩個(gè)灰度范圍之內(nèi)。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(chē)的不同以及路面的情況。

第四步，將最后闕值計(jì)算得來(lái)的灰度數(shù)值進(jìn)行類(lèi)間方差計(jì)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(shí)驗(yàn)結(jié)果顯示最佳灰度值處于[0.255]之間的時(shí)候，圖像顯示最為明確，圖中基本信息顯示完整，整個(gè)準(zhǔn)確率達(dá)到識(shí)別標(biāo)準(zhǔn)。通過(guò)實(shí)驗(yàn)后得出處理完整圖像為圖8。

圖8 進(jìn)行實(shí)驗(yàn)后得到的結(jié)果圖像

由圖8可知，將實(shí)驗(yàn)調(diào)整后的圖像進(jìn)行重疊觀察，得出道路上車(chē)輛種類(lèi)和數(shù)量信息。最后將實(shí)驗(yàn)得到的數(shù)據(jù)利用語(yǔ)義邏輯編輯傳輸?shù)缴蠈油诰蚪Y(jié)構(gòu)當(dāng)中，利用大數(shù)據(jù)庫(kù)中的信息和數(shù)據(jù)進(jìn)行比對(duì)，做最后的深層次分析。實(shí)驗(yàn)結(jié)果表明，對(duì)于小型車(chē)辨識(shí)度可以達(dá)到80%，而對(duì)于大型車(chē)辨識(shí)度可以達(dá)到85%。而車(chē)輛與路面色彩分離程度可以達(dá)到辨識(shí)度95%，通過(guò)不同步驟下辨識(shí)程度制成表格表1?？梢郧宄姆直孳?chē)輛間的數(shù)量關(guān)系和種類(lèi)，達(dá)到分辨路面車(chē)輛目標(biāo)識(shí)別的目的。

表1 不同試驗(yàn)階段對(duì)于車(chē)輛型號(hào)和路面辨識(shí)度對(duì)比 %

4 結(jié)論

本文研究在目前的技術(shù)環(huán)境下和目前的社會(huì)需求中應(yīng)用圖像挖掘技術(shù)的重要性。利用分析其基本原理和概要結(jié)合其主要作用和社會(huì)意義突出在未來(lái)的發(fā)展中，面對(duì)大數(shù)據(jù)分析和處理

時(shí)代，圖像挖掘技術(shù)是目前最為可行的辦法之一。并且利用圖像挖掘技術(shù)分析目前道路車(chē)輛目標(biāo)識(shí)別情況，通過(guò)圖層分離、灰度調(diào)整、闕值設(shè)定等一系列辦法進(jìn)行初期的圖像識(shí)別和挖掘工作。可以很好地做到對(duì)道路行駛車(chē)輛情況做到識(shí)別任務(wù)。

經(jīng)過(guò)試驗(yàn)表明，圖像挖掘技術(shù)在目前車(chē)輛目標(biāo)識(shí)別應(yīng)用上有很強(qiáng)的發(fā)展可能，并且仍具備開(kāi)發(fā)新方向的潛力。

[1] 劉玉紅,謝正祥.圖像挖掘技術(shù)及醫(yī)學(xué)應(yīng)用[J].中國(guó)醫(yī)學(xué)物理學(xué)雜志,2010，10(1):1610-1615.

[2] 王洪元,史國(guó)棟,符彥惟,等.數(shù)據(jù)挖掘技術(shù)在故障診斷中的應(yīng)用[J].江蘇石油化工學(xué)院學(xué)報(bào),2001，13(4):42-44.

[3] 曹天揚(yáng),申 莉.基于交通遙感圖像處理的車(chē)輛目標(biāo)識(shí)別方法[J].計(jì)算機(jī)測(cè)量與控制,2014,22(1):222-224.

[4] 李開(kāi)明,張 群,羅 迎,等.地面車(chē)輛目標(biāo)識(shí)別研究綜述[J].電子學(xué)報(bào),2014,10(3):538-546.

[5] 曹天揚(yáng), 申 莉. 基于交通遙感圖像處理的車(chē)輛目標(biāo)識(shí)別方法[J]. 計(jì)算機(jī)測(cè)量與控制, 2014，22(1):222-232.

[6] 曲文龍,李衛(wèi)東,楊炳儒.地圖像挖掘技術(shù)研究[J].計(jì)算機(jī)工程與應(yīng)用,2004,3(23):256-263.

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

[8] 李新友. 圖像數(shù)據(jù)挖掘的預(yù)處理技術(shù)[J]. 河北旅游職業(yè)學(xué)院學(xué)報(bào), 2015，4(3):101-106.

[9] 崔巨勇. 智能變電站信息一體化平臺(tái)數(shù)據(jù)挖掘技術(shù)研究[D]. 沈陽(yáng)：沈陽(yáng)工業(yè)大學(xué), 2015.

[10] 劉利釗, 洪江水, 劉莉莉,等.面向大數(shù)據(jù)圖像處理的尺度空間挖掘算法及應(yīng)用[J].上海交通大學(xué)學(xué)報(bào), 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(yáng)人，碩士研究生，副教授，主要從事計(jì)算機(jī)應(yīng)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