基于背景图像的视频图像压缩感知重构关键研究导论.doc

基于背景图像的视频图像压缩感知重构关键技术研究 引言 传统的信号采样主要基于奈奎斯特采样定理，需要较高的采样频率才能精确重构出原始信号信息，对硬件提出了较高的要求。此外，编码时为了达到一定的压缩比和一定成本，舍弃了很大的采样数据，没有充分利用采样数据。而对于视频信号，主要采用运动估计、补偿、数据交换编码等算法来提高数据传输速率，因此视频信号编解码的复杂度较高。目前的压缩感知( CS) 理论[1-4]，对具有一定稀疏度的信号，采样观测矩阵和变换基对视频信号进行降维，通过少量的观测数据重构出原始信号。因此一些学者将该理论应用于视频编码中。在处理监控视频信号时，文献[5]考虑到视频帧与帧之间的相关性，通过帧间差分图像本身具有的稀疏性和参考帧图像进行帧图像的重构，以及对当前帧图像进行运动估计和运动补偿提高视频重构质量。但是参考帧图像的选取对帧图像重构质量有较大的影响，本文将基于帧间差分法获取的背景图像作为后一帧图像的先验知识进行后一帧帧图像的重构，通过获取的背景图像代替了原有的参考帧图像进行帧图像的重构，避免了参考帧图像选取不同造成的重构误差，提高了重构质量，节省了重构时间。 1基于压缩感知理论的视频图像的重构 压缩感知是利用信号的稀疏特性，在远小于Nyquist  HYPERLINK /view/53433.htm \t _blank 采样率的条件下，获取信号的采用值，重建原始信号的方法[6，7]。如果一个信号在某组基向量下的系数含有大量的零元素，则可以称这个信号为稀疏的。对于一个有限长度为的一维离散信号，可以表示为: (1) 其中为基向量，基向量的稀疏表示系数。对长度为的信号的重构方法，首先对其进行次的线性测量，表示矩阵为: （2） 式中为的测量基，为长度为的信号的测量值。其中稀疏基 的列向量不能用测量基 的行向量来稀疏表示［8，9，10］，反之亦然。由于，方程的个数远远少于未知数的个数，所以这是一个欠定问题，一般来讲无确定解。然而，如果是 稀疏的那么就有望求出确定解。 求解信号的问题可以转化成最小范数问题［10-15］，即: ， (3) 其中为使取最小值的,解出，再通过重建信号。 基于压缩感知理论的视频图像的编解码方法：先通过视频摄像头获取视频信号，对每帧视频图像进行小波基稀疏表示，然后使用观测矩阵进行观测得到带加性噪声的压缩信号，在接收端进行信息处理，使用结合压缩感知重构算法重构每帧视频图像，具体流程如图1 所示。 (a) (b) 图1基于压缩感知理论的视频图像的重构原理框图(a)视频图像编码(b)视频图像解码重构Fig. 1 Schematic diagram of reconstruction of video image based on the theory of compressed sensing (a) video imaging coding (b) video imaging decoding 2 基于帧间差分背景图像的视频图像的压缩感知重构 视频图像的重构不同于单幅普通图像，因为视频序列的相邻帧图像间存在很强的相关性，下一帧视频图像的重构可以利用前一帧甚至前几帧的背景信息作为先验条件。基于帧间差分背景图像的视频图像的压缩感知重构算法选用帧间差分法实现背景的提取，为下一帧图像的重构提供一个先验知识，并结合压缩感知重构算法，得到基于帧间差分背景图像的视频图像的压缩感知重构算法，充分利用视频序列间相邻帧图像之间的相关性，实现视频图像的压缩感知重构。 2.1帧间差分背景图像的获取 基于帧间差分背景图像的视频图像的压缩感知重构过程中背景图像的获取方法如下。假设第 K 帧视频图像与第 K-1 帧视频图像分别表示为与，利用帧间差分法可以求得背景图像。 (1) 利用第 K 帧图像与第 K-1 帧图像计算差分图像； (2) 根据设定的阈值 T，将计算得到的差分图像进行二值化处理得到图像； (3) 将图像进行开、闭运算，去除噪声，填充运动目标内部的空洞，得到图像； (4) 根据图像各点像素值，确定背景图像，若图像中的像素值为 0，则背景图像中的像素值等于前两帧图像相应位置的像素平均值，反之，背景图像的像素值置零。公式如下： （4） 2.2基于帧间差分背景图像的视频图像压缩感知重构算法 基于帧间差分背景图像的视频图像压缩感知重构算法的原理框图如图 2所示。基于帧间差分背景图像的视频图像压缩感知重构算法的流程图如图3所示，具体步骤如下： 输入：随机测量值，测量矩阵，稀疏变换； 输出：原始信号 的 K-稀疏逼近 （1）初始化，迭代次数，正则化参数，参数，变量初始值 ，迭代停止值 ； （2）判断是否为前两帧视频图