基于线性动态系统视频压缩感知自适应改进.docVIP

基于线性动态系统视频压缩感知自适应改进 　　摘要：线性动态系统的视频压缩感知（CS-LDS）是指从随机采样数据中直接估计出模型参数，然而对所有视频帧采取同样的采样方式，使得采样数据存在一定的时间冗余。针对这一问题，结合自适应压缩采样技术提出了一种自适应的改进算法。首先，对视频信号建立线性动态系统（LDS）模型；然后，通过自适应压缩采样方法得到视频信号的采样数据；最后，通过采样数据估计出系统模型参数，实现视频信号的重构。实验结果表明，在不影响视频重构质量的条件下，所提方法相对于CS-LDS算法，不仅能够节省统一测量过程中20%～40%的采样数据，而且平均每帧能够节省0.1～0.3s的运行时间。改进后的算法降低了采样数目与算法运行时间。 　　关键词：动态场景；线性动态系统；压缩感知；自适应采样；视频重构 　　中图分类号： TP391.413 　　文献标志码：A 　　0 引言 　　视频信号具有直观、生动、信息丰富等优点，因此在信息时代占据重要的地位，尤其是进入现代化信息时代后，视频信号已经深入到人们生活的各个领域；然而，视频数据的动态短暂性，要求的采样率也非常高，导致视频数据储存量大，如何降低采样率成为当今科研学者研究的重点。压缩感知（Compressed Sensing， CS）理论[1-3]的提出使得能够以远低于奈奎斯特采样率对信号进行采样，并能精确重构出原始信号。美国Rice大学发明的单像素相机[4]是目前理论依据比较牢固的压缩感知成像相机，视频压缩采样过程可以通过连续使用单像素照相机实现。 　　以往的视频压缩感知方法有文献[5]中提出的2-D小波方法，这种方法将视频看成由独立的图像序列组成，通过压缩感知成像设备逐帧压缩采样并重构。这种方法没有利用到视频的帧间相关性，为了利用到视频的帧间相关性，文献[5]相继提出利用3-D小波基作为一段视频信号的稀疏基进行压缩采样重构，这种方法考虑了视频帧间的相关性；但计算复杂度非常大，不适合实现实时视频处理。后来文献[6]中提出利用帧间的动态补偿与运动估计技术对视频信号进行重构的方法。为了进一步减少视频的采样数据量，充分利用视频序列的帧间相关性，文献[7]提出了时间和空间的多尺度采样方法。基于此，文献[8-9]在此基础上提出对时空多尺度的自适应采样改进方案，在很大程度上节省了采样数据量。针对动态纹理类视频，文献[10]首次提出一种基于线性动态系统模型的压缩感知（Compressed Sensing of Linear dynamic System， CS-LDS）方法。在该模型中，视频信号由低维的动态参数（状态向量）和高维的静态参数（观测矩阵）模型参数化表示，采用压缩感知技术得到少量的测量值，然后通过得到的测量值估计线性动态系统的模型参数（状态向量和观测矩阵），充分利用了模型的内在关联性，实现低采样率的视频重构。文献[11]提出了自适应压缩采样方法，在采样过程中根据视频帧之间的相关性不同，自适应调节每帧图像的采样率，进一步降低了采样数目，本文结合了文献[10-11]的优势，在进行动态参数估计过程中，通过对其采样端引入自适应的采样方法[11]来进一步减少采样数目，去除采样冗余。其次，考虑到算法中用到的奇异值分解（Singular Value Decomposition， SVD）算法对图像分解的特性，本文通过设置阈值的方式对估计得到的状态向量进行自适应的截断降维处理，从而降低算法的计算复杂度。实验结果表明，本文方法能够有效去除压缩采样过程中的采样冗余，并能以非常低的采样率实现动态视频的精确重构。 　　3 实验与结果分析 　　为了测试本文方法对视频序列重构的性能，本文从莱斯大学的动态纹理视频数据库[15]下载获得编号“64cae10”的蜡烛火焰视频数据，取视频数据的前150帧进行测试仿真（即T=150），原始视频流的体素为128×128×150。由于不同场景的动态变化程度不一致，可以根据不同场景来人为调整阈值μ、τ，以此获得较好的重构效果，本文参考文献[16]对阈值μ讨论情况并经过多组视频的测试，设置阈值μ=0.02，τ=0.98。如图3所示，通过改变预采样测量参数′绘制多条曲线，Mhat表示关键帧的统一采样数目表示关键帧的统一采样数目，Mtide表示时变采样数目表示时变采样数目，Mhat′表示统一测量的预采样数目′′表示统一测量的预采样数目；其中设置关键帧的共同测量数目=60，横坐标表示每帧图像的时变测量数目，纵坐标表示重构视频信号的平均信噪比（Signal-to-Noise Ratio， SNR），图3表示不同预采样数目下视频重构信噪比的性能曲线。由图3可知，随着预采样数目的增加，视频的重构效果越逼近CS-LDS方法（该方法无关键帧的设立，即对每一帧的统一测量数目都为=6