基于帧间动态优化贝叶斯压缩感知监控视频处理探究.docVIP

基于帧间动态优化贝叶斯压缩感知监控视频处理探究 　　摘要：将基于优化高斯随机观测矩阵的贝叶斯压缩感知算法引入监控视频处理中，并提出帧间动态调整观测的算法，以满足高清视频监控管理中不同时期、不同画面清晰度要求下的传输和存储需求。其动态性体现在，区分基准帧和非基准帧应用不同思路处理，同时，非基准帧的观测序列维数[M]动态决定。仿真表明，针对[1280×720]的帧图像，OBCS算法比常用的OMP算法在重构[PSNR]和运行时长上优势明显；此外，动态调整算法下，非基准帧图像压缩率具有更大的灵活性 关键词：视频监控处理；优化贝叶斯压缩感知；帧间动态调整；高频子带系数；帧间残差 中图分类号：TN911.73 文献标识码：A 文章编号：1009-3044（2017）04-0228-05 随着人们对信息的需求越来越高，信息提供者和管理者对数字化信息的处理与管理难度也越来越大。在监控视频应用领域，720P、1080P的高清摄像头使用越来越广泛，随之带来的是传统奈奎斯特采样定理下，对这些高像素数据采样、编码、传输、存储越来越大的压力。而压缩感知（CS，Compressed Sensing）理论[1-2]表明，只要信号满足某个域上稀疏的条件，就可以突破奈奎斯特采样定理的限制，以较少的观测序列重构出原始信号，从而减轻对此类信号的处理压力和随之而来的传输、存储压力。所以，压缩感知理论一经提出，便广为关注和研究 视频的帧图像信号经过一定的投影后，可以在DCT域、DFT域或者小波域上投影变换成稀疏信号[3-4]，从而应用压缩感知理论。本文正是基于这个基础，将压缩感知技术引入视频监控处理和管理中。除了在压缩感知算法上使用前期研究提出的基于优化高斯随机观测矩阵的贝叶斯压缩感知算法（OBCS，Optimized BCS）[5]，还特别针对监控视频帧间的高相关性，提出帧间动态调整压缩感知的算法。通过帧间动态调整观测序列维数[M]，灵活调整帧图像压缩比，满足不同时期、不同图像质量需求下的监控视频传输和存储。仿真实验表明，针对[1280×720]的基准帧或非基准帧帧图像，OBCS算法都比常用的OMP算法在重构[PSNR]和运行时长上都有明显优势；此外，动态调整算法下，非基准帧图像压缩率具有更大的灵活性，运算时间也可进一步降低 1观测矩阵优化的贝叶斯压缩感知 压缩感知理论概括就是，如果[N]维数字信号[x]稀疏度为[K]（即非零元素为[K]，[K?N]）或者投影到某个变换域上可以变为[K]-稀疏的信号，则其可使用观测矩阵[Φ]进行线性变换，得到维度小于[N]的观测序列[y]，[y]可以使用原矩阵[Φ]高概率地重构原始的[N]维信号[x]。所以，压缩感知理论的基本环节是：投影、观测、重构。而OBCS算法就是在压缩感知的重构环节，引入贝叶斯思路[6]；并对观测和重构环节最常用的高斯随机观测矩阵进行优化 1.1 优化高斯随机观测矩阵 Candes，Tao[7-8]等学者指出使用观测矩阵[Φ]（[M×N]维）进行观测后重构[N]维信号时，要保证不会把不同的两个[K]-稀疏信号映射到一个集合中，因此，理想状态下，[Φ]中任意抽取[M]个列向量，所构成的矩阵需要是非奇异的。在实际选取时，可以令其列向量的相关性尽量小，使得[Φ]更随机化 设观测矩阵[Φ]，[G=ΦTΦ]中非对角线元素[gij]中的最大幅值即为[Φ]列向量间的互相关性。另设变量[utΦ]为容忍门限[t]下的平均互相关性，为所有绝对值大于等于[t]的非对角线元素[gij]的平均值，如下所示： 其中，[n]为绝对值大于等于[t]的非对角线元素[gij]的个数。因此，减小[utΦ]也就减小了观测矩阵[Φ]列向量之间的相关性。针对[gij]可以进行如下的迭代收缩运算[5]： 其中， [γ]为0到1之间取值的衰减因子 1.2 贝叶斯压缩感知重构 贝叶斯压缩感知区别于常见的压缩感知算法在于，前者在重构环节以贝叶斯最大后验概率的思路求解，而后者力图近似求解一个最小[l0]范数[7][9]问题比如MP算法或者OMP算法，或者转换到等价的最小[l1]范数求解比如BP算法等 在压缩感知中引入贝叶斯时，首先，将[N]维稀疏信号[x]分解成[x1]、[x2]两部分，[x1]保留[x]中[M]个（[M?N]）幅值最大的值，其余置0；[x2]保留了[x]中[N-M]个幅值最小的值，其余置0。根据中心极限定理[10]，[Φx2]可近似看作服从[N（0，σ2）]的噪声。下文用[x]代替[x1]，噪声[n]近似代替[Φx2]，观测序列[y]可表如下： [y=Φx+n] （3）其中，[n]的方差为[σ2] 其次，需要明确稀疏信号[x]的先验知识 文献[6]提出一种分层的