魯棒性壓縮感知重構(gòu)技術(shù)及其在智能視頻監(jiān)控中的應(yīng)用研究

鄭志剛　楊真真

摘 要： 在視頻監(jiān)控中需要進(jìn)行魯棒性壓縮感知重構(gòu)，降低視頻丟包和時延等因素的影響，提出一種基于隱馬爾科夫模型的魯棒性壓縮感知重構(gòu)技術(shù)并應(yīng)用在智能視頻監(jiān)控中。首先利用隱馬爾科夫模型對智能視頻監(jiān)控系統(tǒng)中的視頻幀序列進(jìn)行頻域特征點奇偶分裂處理；然后計算視頻監(jiān)控編碼的標(biāo)量量化碼率分配系數(shù)，建立視頻壓縮感知重構(gòu)的時空方向樹，采用隱馬爾科夫模型進(jìn)行解碼重建，實現(xiàn)視頻幀的魯棒性壓縮感知重構(gòu)；最后進(jìn)行仿真測試。結(jié)果表明，采用該方法進(jìn)行監(jiān)控視頻的壓縮感知重構(gòu)，能有效降低丟包率和傳輸時延，在智能視頻監(jiān)控中具有較好的應(yīng)用價值。

關(guān)鍵詞： 魯棒性壓縮感知； 智能視頻監(jiān)控； 編碼； 奇偶分裂處理

中圖分類號： TN948.64?34； TP391 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2017）10?0016?04

Abstract： As the robustness compressed sensing reconstruction is required in the video monitoring to reduce the effect of video packet loss， time delay and other factors， a robustness compressed sensing reconstruction technology based on hidden Markov model is proposed， which is applied to the intelligent video monitoring. The hidden Markov model is used to deal with odd?even splitting processing of feature points in frequency domain for sequence of video frames in intelligent video surveillance system， and then the scalar quantization code rate allocation coefficient of the video monitoring encoding is calculated to establish a time?space direction tree for video compressed sensing reconstruction， conduct decoding reconstruction with hidden Markov model， and achieve the robustness compressed sensing reconstruction for video frames. The simulation test results show that the proposed method can effectively reduce the packet loss rate and transmission time delay， and has a good application value in intelligent video surveillance.

Keywords： robustness compressed sensing； video monitoring； coding； odd?even splitting processing

0 引 言

智能視頻監(jiān)控系統(tǒng)在安全防衛(wèi)、交通管理、環(huán)境探測等領(lǐng)域具有廣泛的應(yīng)用價值。在視頻監(jiān)控系統(tǒng)中，視頻碼流通過壓縮幀編碼進(jìn)行信息傳輸，通過多個信道進(jìn)行視頻信息數(shù)據(jù)流的通信和網(wǎng)絡(luò)傳輸，在視頻監(jiān)控的接收端，將視頻信息分解為多組信息重構(gòu)后的視頻圖像序列，在視頻監(jiān)控系統(tǒng)的接收終端顯示出經(jīng)過壓縮編碼處理后的重構(gòu)圖像和視頻幀序列[1]。智能視頻監(jiān)控系統(tǒng)的丟包和時延是評價視頻監(jiān)控性能好壞的關(guān)鍵因素，需要通過魯棒性壓縮感知重構(gòu)，重建出視覺上可以接受的視頻，降低視頻的丟包和實驗，獲得較好的視頻重建和監(jiān)控輸出效果。

1 視頻幀序列的信息預(yù)處理

1.1 視頻幀序的頻域特征點奇偶分裂處理

為了實現(xiàn)對視頻監(jiān)控系統(tǒng)中傳輸視頻的魯棒性壓縮感知重構(gòu)，需要進(jìn)行視頻傳輸幀序列的信息處理，本文提出一種基于隱馬爾科夫模型的魯棒性壓縮感知重構(gòu)技術(shù)并應(yīng)用在智能視頻監(jiān)控中。利用隱馬爾科夫模型對智能視頻監(jiān)控系統(tǒng)中的視頻幀序列進(jìn)行頻域特征點奇偶分裂處理。首先假設(shè)傳輸?shù)膯螏曨l為一組圖像序列[2?3]，采用三維小波變換對視頻監(jiān)控系統(tǒng)中傳輸?shù)膱D像組進(jìn)行頻域特征分裂，對頻域特征點奇偶分裂處理，實現(xiàn)對視頻傳輸序列的奇描述和偶描述；然后分別對原始的YUV格式的視頻（分辨率為352×288）進(jìn)行3D?SPIHT奇偶拆分和編碼[4]，在奇偶信道中進(jìn)行解碼和視頻恢復(fù)處理，得到智能視頻監(jiān)控系統(tǒng)中視頻幀序列的信息處理組織框圖如圖1所示。

在視頻監(jiān)控系統(tǒng)的原始CIF格式視頻序列分析中，將視頻監(jiān)控中的圖像序列看作三維信號，采用三維小波變換對視頻序列進(jìn)行n級空間分解，得到對視頻序列的三維小波變換的測量方程分別為：

式中：[X（k）]表示視頻提取離種子點較近的頻域特征點分離幅度；[exp（j2πknN）]表示待匹配的視頻的連續(xù)邊緣域特征點分離相位。

根據(jù)上述，采用基于邊緣耦合性的奇偶拆分進(jìn)行視頻圖像序列的水平、垂直和對角方向上的方向指向性奇偶為分裂處理。以N號種子點PN為中心，在最低頻的種子點附近進(jìn)行邊緣分裂，得到視頻圖像序列的奇偶位共用部分，在水平方向上對待匹配的連續(xù)邊緣的低頻HL信息進(jìn)行連續(xù)邊緣分解[5]。

1.2 標(biāo)量量化碼率分配系數(shù)計算

在上述進(jìn)行了視頻幀序的頻域特征點奇偶分裂處理的基礎(chǔ)上，通過計算視頻監(jiān)控編碼的標(biāo)量量化碼率分配系數(shù)[6]，得到視頻監(jiān)控傳輸幀圖像的模板窗，在像素點[（i，j）]的[2n+1×2n+1]窗口內(nèi)，對邊緣相關(guān)性約束條件下的視頻傳輸函數(shù)進(jìn)行泰勒技術(shù)展開，結(jié)果為：

2 監(jiān)控視頻魯棒性壓縮感知重構(gòu)實現(xiàn)

2.1 視頻壓縮感知重構(gòu)的時空方向樹計算

在上述進(jìn)行了視頻幀序列的信息預(yù)處理的基礎(chǔ)上，在視頻監(jiān)控中進(jìn)行魯棒性壓縮感知重構(gòu)，降低視頻丟包和時延等因素的影響。本文提出一種基于隱馬爾科夫模型的魯棒性壓縮感知重構(gòu)技術(shù)，建立視頻壓縮感知重構(gòu)的時空方向樹，采用隱馬爾科夫模型進(jìn)行解碼重建[7]，選擇視頻壓縮感知重構(gòu)的種子點附近各輪廓的域特征點，采用互相關(guān)特征匹配方法，得到候選匹配區(qū)域的相對位置為：

式中：[PS1（d）]表示4通道時空方向樹的分解結(jié)構(gòu)坐標(biāo)域；[RS1（d）]為灰度值向量表達(dá)式。在對監(jiān)控視頻進(jìn)行魯棒性壓縮感知重構(gòu)中，每次編碼重構(gòu)的過程為一個二分叉的過程[8]，通過構(gòu)建視頻重構(gòu)的二分叉時空方向樹，進(jìn)行視頻統(tǒng)計模型的頻域分解，得到智能監(jiān)控視頻的編碼符號概率分布見表1。

表1 智能監(jiān)控視頻的編碼符號概率分布

根據(jù)表1所示的編碼概率方法，對監(jiān)控視頻進(jìn)行魯棒性壓縮感知重構(gòu)。

2.2 視頻魯棒性壓縮感知重構(gòu)的統(tǒng)計模型構(gòu)建

在建立視頻壓縮感知重構(gòu)的時空方向樹的基礎(chǔ)上，采用隱馬爾科夫模型進(jìn)行解碼重建，實現(xiàn)視頻幀的魯棒性壓縮感知重構(gòu)，視頻魯棒性壓縮感知重構(gòu)的隱馬爾科夫模型表達(dá)式為：

3 實驗測試分析

實驗中用SUVINIANCE420監(jiān)控系統(tǒng)的標(biāo)準(zhǔn)監(jiān)控視頻序列SNIG_cif來測試視頻重構(gòu)方案在降低視頻傳輸?shù)膩G包和實驗方面的性能，仿真實驗的硬件環(huán)境建立在Intel[?] Lennov[?] CPU E3?1225， 4.2 GHz ， 8 GB內(nèi)存計算機(jī)基礎(chǔ)上，采用Matlab編程軟件進(jìn)行算法設(shè)計，采用循環(huán)幀搜集方法，選取了16個視頻樣本集進(jìn)行視頻壓縮感知重構(gòu)分析，視頻數(shù)據(jù)包分別取1 024×20，1 024×40，1 024×60等規(guī)模。根據(jù)上述實驗環(huán)境和參量設(shè)定，采用本文方法和傳統(tǒng)方法進(jìn)行視頻重構(gòu)，得到未使用壓縮算法和使用壓縮算法的監(jiān)控視頻傳輸延時如圖3所示。

分析圖3和圖4結(jié)果得知，采用本文的壓縮感知重構(gòu)方法，視頻監(jiān)控中傳輸時延較??；隨著測試時間的推移，未采用壓縮感知重構(gòu)方法積累在待發(fā)送端的幀數(shù)量增大，使得視頻幀難以及時到達(dá)接收端，產(chǎn)生數(shù)據(jù)丟包；采用本文方法進(jìn)行視頻感知重構(gòu)，在發(fā)送端的待發(fā)幀數(shù)量始終維持在較小的數(shù)目內(nèi)，實現(xiàn)視頻幀的實時完整性傳輸，從而避免了視頻監(jiān)控的傳輸丟包和延時。

4 結(jié) 語

為了降低視頻丟包和時延等因素的影響，本文提出一種基于隱馬爾科夫模型的魯棒性壓縮感知重構(gòu)技術(shù)并應(yīng)用在智能視頻監(jiān)控中。首先利用隱馬爾科夫模型對智能視頻監(jiān)控系統(tǒng)中的視頻幀序列進(jìn)行頻域特征點奇偶分裂處理；然后計算視頻監(jiān)控編碼的標(biāo)量量化碼率分配系數(shù)，建立視頻壓縮感知重構(gòu)的時空方向樹，采用隱馬爾科夫模型進(jìn)行解碼重建，實現(xiàn)視頻幀的魯棒性壓縮感知重構(gòu)。研究結(jié)果表明，采用本文方法進(jìn)行監(jiān)控視頻的壓縮感知重構(gòu)，能有效降低丟包率和傳輸時延，能較好地應(yīng)用在智能視頻監(jiān)控中。

參考文獻(xiàn)

[1] 陸興華，張曉軍.人員圖像跟蹤過程中多人交叉區(qū)域防丟失方法[J].計算機(jī)仿真，2014，31（9）：243?246.

[2] 彭太樂，張文俊，汪友寶，等.基于多特征的視頻鏡頭檢測方法[J].儀器儀器儀表學(xué)報，2015，36（9）：2013?2020.

[3] 胡棚，施惠娟.基于視覺掩蔽模型的視頻水印算法[J].電子測量技術(shù)，2014，37（12）：36?40.

[4] 羅澤峰，單廣超.基于網(wǎng)絡(luò)和虛擬多媒體技術(shù)的海戰(zhàn)平臺視景仿真實現(xiàn)[J].物聯(lián)網(wǎng)技術(shù)，2015，5（3）：91?92.

[5] 李元元.基于Open Core核心的Android平臺視頻監(jiān)控系統(tǒng)設(shè)計[J].科技通報，2012，28（10）：193?195.

[6] KARAMI E， DOBRE O A. Identification of SM?OFDM and AL?OFDM signals based on their second?order cyclostationarity [J]. IEEE transactions on vehicular technology， 2015， 64（3）： 942?953.

[7] MOHAMMADKARIMI M， DOBRE O A. Blind identification of spatial multiplexing and alamouti space?time block code via Kolmogorov?Smirnov（K?S） test [J]. IEEE communications letters， 2014， 18（10）： 1711?1714.

[8] MAREY M， DOBRE O A， LIAO B. Classification of STBC system over frequency?selective channels [J]. IEEE transactions on vehicular technology， 2015， 64（5）： 2159?2164.