随着经济和社会的进一步发展，车辆保有量和交通参与量也逐渐增多。紧张的道路交通资源以及复杂的道路交通状况不仅影响了出行，给道路交通带来严重的安全隐患，还给社会治安的综合管理带来了前所未有的挑战[1,2]。面对较为严峻的道路交通安全形势，如何通过相关的技术手段在一定程度上缓解道路交通安全问题成为了一个重要的研究方向。而车辆作为道路交通范畴内的一个重要参与群体，对车辆目标的有效监测和监管也成为涉及道路交通安全问题中的一个重要内容。尤其是在当前智慧交通的应用大背景下，道路交通场景的繁杂性以及道路目标的多样化，给道路交通安全带来一定的挑战的同时，也为车辆目标的检测带来困难。作为智慧道路交通以及智慧公安领域所共同涉及到的重要研究内容，车辆目标的精准化检测成为了一个亟待解决的研究热点。

1、车辆目标检测研究现状

在对于道路交通车辆目标的检测方面，文献[3]基于HOG特征提取技术，并通过将其与颜色直方图模型以及边缘信息模型等多种不同的模型进行融合式的结合，实现了对车辆目标的有效检测。文献[4]在Adaboost机器学习方法的基础上，提出了一种面向多区域的车辆目标检测算法，该方法通过不同角度的车辆特征所具有的不同特点，对这些不同角度下的车辆使用不同的级联分类器进行特征的提取和车辆目标的检测。文献[5]结合超像素分割技术，设计了一种基于Wishart分类器的车辆目标检测方法，该方法根据建筑物特征的不同，首先在不包含建筑物的特定场景下使用Wishart分类器获取目标的相关形态信息，然后在包含有建筑物的特定场景下再使用Wishart分类器获取目标的中心点坐标，而后对所获取的上述两种不同数据进行融合，进而实现了车辆目标的检测。而随着深度学习技术的不断发展，以深度特征提取为主要技术特点的各种深度学习模型也逐渐出现并应用于车辆目标的检测之中，也都取得了较好的检测性能和效果。文献[6]在Faster-RCNN目标检测框架的基础上，通过设计候选区域检测网络以及属性学习网络，对Faster-RCNN进行了改进，实现了车辆目标检测性能的提升。文献[7]改进了YOLO v3模型，并将其与Deep-Sort算法进行有效地结合，提高了车辆检测性能的同时，也降低了小目标车辆的漏检率。文献[8]提出了一种改进的SSD算法模型，该方法通过构建均衡化多尺度融合网络，均衡化地融合了网络模型中的深层语义信息特征以及浅层位置信息特征，提高了车辆目标的检测能力。深度学习的方法在处理车辆目标检测问题的应用中具有着较强的检测性能，但由于深度学习需要依赖较高的硬件条件，并有着较高的时间复杂度，使得其在实时性方面存在着一定的性能缺点。

2、模糊聚类算法相关理论

2.1模糊集的概念

假设在一个域U上，用函数μM(x)表示其中的集合M的一个特征属性，μM(x)的取值范围为[0,1]，并且有：

则称集合M为域U的一个模糊子集，也可简称为模糊集，其中，μM(x)称为集合M的隶属度函数，该函数的取值范围在闭区间0到1的范围内，而其具体的取值则表示集合M中的某个元素对于集合M而言的模糊隶属度，μM(x)也可记为M(x)。μM(x)的取值越靠近0，则表明元素x关于集合M的模糊隶属程度越差，而当μM(x)的取值越靠近1时，则表明元素x关于集合M的模糊隶属程度是越好的。可以看出，模糊集通过使用模糊隶属度函数μM(x)将原先确定集概念内的仅由0和1两个值所组成的二值集合{0,1}扩展为了模糊集概念内的由0到1范围内所有取值的[0,1]取值集合的一种模糊集合形式。

2.2模糊C均值聚类算法

模糊C均值聚类算法（Fuzzy C-Means），简称为FCM。作为模糊聚类分析理论下的一个典型的模糊聚类分析算法，其是在基于目标函数优化情况下的一种无监督聚类方法，应用到图像分割领域，也有着较好的图像处理效果。

假设给定一个数据样本空间为X={x1,x2,x3,…,xn}RS，其中，S表示数据空间的维度，当应用于图像分割领域时，该数据样本空间则可认为是图像空间中的各个不同的像素灰度值，n表示图像中像素的总个数。模糊C均值算法使用目标函数来对其算法模型进行优化，而所涉及到的目标函数可表示为：

式中，m称为模糊指数，该值是用来对模糊隶属度矩阵U的模糊程度进行控制的，m的值取值越大，则说明类别划分过程中的模糊程度则就越高，其取值越小，则说明类别划分过程中的模糊程度就越低，m常取值为大于1的数值，一般在经验值（1.5,2.5）的区间范围内，而在使用时通常将其值取值为2。同时，V={v1,v2,…,vC}是一个S×c的矩阵，表示的是将数据样本集X划分为c聚类类别的聚类中心向量，||xj-vi||则表示的是第j个数据点xj到第i个聚类中心vi之间的距离，此距离通常用欧氏距离来进行表征。

对于模糊隶属度矩阵U而言，还有如下性质：

根据式（2）所示的目标函数表达式以及式（3）这一条件的约束下，可以引入参数，并采用拉格朗日乘数法将模糊C均值聚类算法的目标函数进行重新构造，即有：

对式（4）求偏导并进行进一步的计算处理，则可得到模糊隶属度函数μij以及聚类中心vi的更新公式，即为：

式（5）和（6）即为模糊C均值聚类算法的目标函数在最优化过程中的模糊隶属度函数以及聚类中心的迭代更新公式。

3、自适应优化聚类改进算法

模糊C均值聚类算法在处理规模较小的数据样本时，对其执行性能并不会产生太大的影响，但对于图像数据而言，图像空间中所涉及到的空间像素是较为繁杂和众多的，这种空间级别的图像像素对于模糊C均值聚类算法的聚类执行过程，将会使得其占有更高的时间复杂度和空间复杂度，这很明显对于图像的实时性处理要求而言，是其一个较为不足的地方。

3.1基于超像素的像素级自适应优化方法

图像空间的像素点与其周边的像素点往往有着较强的相关性，而模糊C均值聚类算法由于其算法本身的特点，在对图像空间进行分割时，有时会表现出不同区域较易出现不连续的情形，进而造成本来属于同一个类别的像素点在执行聚类操作后并没有因属于同一个属性类型而连在一个区域内，从而不能形成有意义的分割后的子图。同时，对于分辨率较高的图像而言，也无疑会给模糊C均值聚类算法的执行带来额外的时间复杂度和空间复杂度的开销，进而影响算法的整体执行效率。基于此，本文提出了一种像素级的自适应优化方法，即采用超像素分割技术，对图像的空间像素进行超像素级的分割处理，进而减少了需要进行聚类划分的像素空间容量和规模，提升模糊C均值聚类的整体性能。基于超像素的像素级自适应优化算法流程图如图1所示。

图1像素级自适应优化算法流程图 

基于超像素分割的像素级自适应优化方法可描述如下：

(1）设定所需要分割的超像素个数K，并在原图像内均匀地划分出所对应的超像素空间，选取K个超像素空间的中心点作为初始化状态下的聚类中心；

(2）在聚类中心n×m的邻域范围内，计算所有像素点的梯度值，并选取其最小值所对应的像素点作为新的聚类中心点；

(3）在各聚类中心的2S×2S邻域范围内遍历所有的像素点，并计算各像素点与聚类中心之间的距离。其中，S为步长，该值为总的像素值与超像素个数的比值；

(4）对所计算的距离值进行比较，选取其最小值所对应的聚类中心作为新的聚类中心点，并为该点分配所属的类标签；

(5）重复步骤2到步骤4，直至最近两次的迭代之间的聚类中心间距离在允许的误差范围之内，即可完成整个迭代的过程。

3.2基于群智能的种群级自适应优化方法

模糊C均值聚类算法使用预先所设定的聚类数目对聚类中心进行初始化操作。对于聚类中心的初始化，其本身也是随机的，而不同的初始值对优化聚类有着不同的效果，因而，聚类中心初始化问题将会给模糊C均值聚类算法带来一定的影响。基于此，本文提出了一种种群级的自适应优化方法，其优化目标是，使用群智能的寻优算法，对模糊C均值聚类所随机初始化的聚类中心Vi进行进一步的寻优处理，进而获取到更为优化的初始化聚类中心，以提升模糊C均值聚类的整体性能。

本文选用群智能算法中的鱼群算法，对聚类中心初始化问题进行进一步的改进和优化。鱼群算法主要是根据鱼类所活动的特点，从仿生学的角度所设计的群智能算法，其主要是通过构造人工鱼来模仿鱼群的觅食、聚群及追尾等不同的行为活动，进而实现算法的寻优过程。

(1）觅食行为

假设某条人工鱼的当前状态为Xi，在其觅食过程中随机选择了另一个状态Xj，则有：

而后，分别对Xi与Xj的目标函数值Yi和Yj进行计算，若Yj优于Yi，则将Xi朝着Xj所在的方向作如下的移动：

否则，Xi继续在其Visual的视野范围内寻找新的状态Yj。若该过程在尝试了Try＿number的次数后，Xi仍然没有满足前进觅食的条件，则对Xi执行一次随机行为。

(2）聚群行为

假设某条人工鱼的当前状态为Xi，在其视野Visual的范围内（即有dij<Visual），搜索与其所邻近的伙伴数目nf以及所对应的中心位置Xc，并对Xi和Xc所对应的目标函数Yi和YC进行比较和判断，即若成立，则表明该人工鱼的邻近伙伴的中心位置所处的状态更为优越，并且并不太拥挤，那么则将Xi朝着其伙伴的中心位置XC的方向进行移动，即有：

否则，表明该人工鱼的当前位置状态更优，则将不对该人工鱼进行聚群行为的表征，而是对其进行一次觅食的行为。

(3）追尾行为

假设某条人工鱼的当前状态为Xi，在其视野Visual的范围内（即有dij<Visual），搜索与其所邻近的伙伴中的最优目标函数Yj所对应的最优伙伴Xj，并对Xi和Xj所对应的目标函数Yi和Yj进行比较和判断，即若成立，则表明该人工鱼的这个最优伙伴所处的状态更为优越，其周围也不太拥挤，那么则将Xi朝着其最优伙伴的位置Xj的方向进行移动，即有：

否则，表明该人工鱼的当前位置状态更优，则将不对该人工鱼进行追尾行为的表征，而是对其进行一次觅食的行为。

(4）随机行为

假设某条人工鱼的当前状态为Xi，那么该人工鱼进行随机一步的移动后，将会达到一个新的状态，即有：

4、实验仿真和分析

4.1实验方案与评价指标

为了进一步评价所给出的自适应优化聚类方法的可行性，本文对所提出的方法进行了实验的仿真。实验使用Matlab仿真平台，并采用具有实验代表性的道路交通车辆图像作为实验仿真对象开展实验仿真，同时，使用K-means算法、FCM算法以及本文所提出的自适应优化聚类方法进行对比分析，定性地观察各种不同的方法在进行图像分割时的效果，以进一步观察其图像目标检测的相关性能。而在定量分析方面，本文使用运行时间、划分系数Vpc和划分熵Vpe等三个评价指标对算法的性能进行评价，其中：

式中，模糊隶属度μij隶属于其所属聚类中心的值越大，隶属于其他聚类中心的值越小，则Vpc的值越大、Vpe的值越小，说明其所对应方法的聚类效果就越好。

4.2实验结果的分析和讨论

按照上述设计方法，分别使用K-means算法、模糊C均值聚类算法以及本文方法对所选用的实验数据图像进行了实验仿真，实验效果及对比如图2所示。

图2三种不同方法的图像分割及目标检测效果对比

根据图2中各列的不同实验效果图示进一步分析，作为硬聚类分割方法的K-means算法在图像分割后的效果上表现为其区域边缘较为粗糙，图像分割的整体效果不是特别高，而模糊C均值聚类算法相比较于K-means算法而言，其图像分割的效果相对有了一些提升。进一步观察本文所提方法的图像分割效果，可以发现，由于采用了改进的自适应优化聚类技术，对模糊C均值聚类算法进行了优化和改进，其图像分割的区域边缘相比较于前两种方法表现得更为细腻，获得了较好的图像分割效果，因而，对于车辆目标场景而言，所体现出的车辆目标检测的效果也相对更好。

进一步对三种方法在执行过程中的仿真效果进行定量分析，为了更好地获取实验的统计性能，对每张图像都分别进行5次实验，并取各自5次实验的相关统计指标的平均值，具体如表1的统计所示。

从表1中可以看出，硬聚类分割算法K-means方法由于其本身实现上相对较为简单，使得其在进行图像分割时的运行时间较短，基本保持在1-2 s左右。模糊C均值聚类算法由于其算法本身的性能特点，在运行时间方面，明显要高于K-means算法，而本文所提出的方法，相对于模糊C均值聚类算法而言，要比其运行时间有所降低。进一步对比Vpc和Vpe的值，由于K-means属于硬聚类分割算法，对此两类评价指标值不予考虑，而分析Vpc和Vpe在三张不同图像上的统计值，可以发现每张图像中，本文方法的Vpc值都要比模糊C均值聚类算法的Vpc值高，而Vpe值都要比模糊C均值聚类算法的Vpc值低，说明本文所提出的方法在像素聚类以及图像分割方面的性能要优于模糊C均值聚类算法。

表1算法指标统计表

综上对于算法性能方面的实验对比，本文所提出的自适应优化聚类方法在算法性能上取得了较好的图像分割效果，但其所体现出的运行时间虽然比作为硬聚类分割算法的K-means要长，却并未得到比K-means更优的运行时间，但其运行时间已经优于模糊C均值聚类方法，进而验证了所提出的自适应优化聚类方法在算法效能方面的可行性。这也进一步说明了本文的自适应优化聚类方法在应用到道路交通场景目标检测中，可以对车辆目标的检测起到较好的检测效果，从而为复杂道路交通场景下的目标检测以及道路交通安全监管提供便利可行且可供参考的技术条件。

5、结束语

本文针对复杂交通场景下道路交通目标检测的实际需求，提出了一种基于自适应优化聚类的车辆检测方法，该方法通过超像素分割的机制为待检测的图像提供了自适应像素级的超像素表征形式，并在种群级优化算法的基础上，为模糊C均值聚类算法提供了性能更优的初始化聚类中心位置，使得模糊C均值聚类算法在对图像目标进行分割以及目标检测的过程中能够实现更好的效果。所提出的自适应优化聚类方法应用于道路交通车辆目标检测场景中能够有效地提升车辆目标检测的性能，从而能够很好地解决因模糊聚类算法在目标检测领域的部署应用而带来的相关性能缺陷问题，为复杂交通场景下的目标检测提供了一定的参考意义和实践价值。

参考文献:

[1]丁冰,杨祖莨,丁洁,刘晋峰,闫国亮.基于改进YOLO v3的高速公路隧道内停车检测方法[J].计算机工程与应用,2021,57(23):234-239.

[2]孙建波,张叶,常旭岭.基于改进Mask R-CNN+LaneNet的车载图像车辆压线检测[J].光学精密工程,2022,30(7):854-868.

[3]朱磊.基于双目视觉的车辆检测跟踪与测距方法研究与实现[D].长沙:湖南大学,2020.

[4]李春海,赵波,涂超.基于机器学习的车辆检测方法研究[J].计算机与数字工程,2021,49(10):2122-2125,2167.

[5]代晓康,殷君君,杨健.基于Wishart距离和超像素的极化SAR图像车辆检测[J].系统工程与电子技术,2021,43(10):2766-2774,2692.

[6]李航,张琦,殷守林,孙可.一种基于改进Faster RCNN的校园车辆检测方法[J].沈阳师范大学学报(自然科学版),2020,38(1):77-84.

[7]马永杰,马芸婷,程时升,马义德.基于改进YOLO v3模型与Deep-SORT算法的道路车辆检测方法[J].交通运输工程学报,2021,21(2):222-231.

[8]李国进,胡洁,艾矫燕.基于改进SSD算法的车辆检测[J].计算机工程,2022,48(1):266-274.

基金资助:公安部技术研究计划项目(2019JSYJC25);河南省科技攻关计划项目(232102240015;222102210198;212102310485);河南省软科学研究计划项目(232400411112);中央高校基本科研业务经费项目(2021TJJB KY001;2020TJJBKY001);河南省高等学校重点科研项目(23A580004);

文章来源:王璐.一种基于自适应优化聚类的车辆检测方法研究[J].自动化技术与应用,2024,43(07):44-48.