一種隱私保護的監(jiān)控視頻目標跟蹤系統(tǒng)

胡曉莉，郭繼昌

一種隱私保護的監(jiān)控視頻目標跟蹤系統(tǒng)

胡曉莉，郭繼昌

(天津大學電子信息工程學院，天津 300072)

對現有基于壓縮感知的視頻目標跟蹤系統(tǒng)進行改進，提出一種可實現隱私保護的監(jiān)控視頻目標跟蹤系統(tǒng)。在編碼端采用結構化隨機矩陣，以提高隨機采樣矩陣的生成速度。在解碼端采用GPSR-BB算法，以提高系統(tǒng)抗噪性。利用粒子濾波器算法實現目標跟蹤，減少跟蹤結果誤差對壓縮感知恢復算法準確性的影響和分析時間。實驗結果表明，該系統(tǒng)在實現隱私保護的同時，提高了系統(tǒng)對光照的魯棒性，在室內外光照條件下均能準確跟蹤目標。與BP和Lasso方法相比，分別可節(jié)約30.3%和51.6%的處理時間。

壓縮感知；目標跟蹤；粒子濾波；結構化隨機矩陣；梯度投影；基追蹤

1 概述

近年來，視頻監(jiān)控越來越廣泛地應用到社會各個領域。通常的視頻監(jiān)控系統(tǒng)是一種即時顯示及記錄系統(tǒng)，相關人員可以隨時查看監(jiān)控視頻或錄像內容。然而在一些特殊的應用場合中，希望視頻內容保密，以免視頻被非法使用或觀看。對于這種要求，目前常用的方法是編碼端先對視頻流進行壓縮并加密，之后在安全的處理中心進行解密并解壓縮，然后進行視頻分析及其他處理。

針對監(jiān)控系統(tǒng)中的隱私保護問題，研究人員提出了一些解決方案。例如，文獻[1]在實現對監(jiān)控范圍內的人數統(tǒng)計時，不需要個人的詳細圖像信息，因此，可以丟棄部分數據，只需依據運動方向對人群進行分割并提取特征，再用高斯過程估計人數即可，但這種方法會造成采樣資源的浪費。文獻[2]提出一種保護隱私的方法，它通過擾亂視頻序列中感興趣區(qū)域的變換域系數來達到目的，然而這種擾亂是以偽隨機序列為基礎的，一旦得到密鑰就能夠完全恢復場景。文獻[3]提出了一種基于壓縮感知的目標跟蹤框架，簡化了編碼端，能夠保護隱私，但執(zhí)行效率較低，還有可能發(fā)生誤差傳播。

本文提出一種改進的基于壓縮感知的隱私保護視頻監(jiān)控系統(tǒng)框架，通過在編碼端先對視頻幀圖像進行預處理，使系統(tǒng)對光照變化更具魯棒性；利用壓縮感知理論對信號采樣方式的特殊性，實現對視頻數據邊采樣邊壓縮，同時利用其隨機采樣的特性達到隱私保護的目的[4]。框架設計中主要針對視頻目標跟蹤這一基礎內容的實現展開研究，針對運動目標跟蹤只關注目標位置的需求，只對前景圖像進行操作，在保護隱私的同時，節(jié)省傳輸帶寬和解碼端的存儲資源，避免誤差傳播，并同時提高速度。

2 壓縮感知理論

3 基于壓縮感知的視頻目標跟蹤系統(tǒng)框架

圖1 本文系統(tǒng)框架

3.1 同態(tài)濾波

同態(tài)濾波是把頻域濾波和灰度變換結合起來的一種圖像處理方法，它依靠圖像的照度/反射率模型作為頻域處理的基礎，利用壓縮亮度范圍和增強對比度來改善圖像的質量，達到顯示陰影區(qū)細節(jié)的目的，其處理框圖如圖2所示。

圖2 同態(tài)濾波處理框圖

3.2 隨機投影

目前常用的觀測矩陣有隨機高斯/伯努利矩陣或其子矩陣[17]，它們的主要優(yōu)點是與任意稀疏信號都不相干，精確恢復所需觀測值數目最少。但該類矩陣需要大量緩存來存儲其矩陣元素，且由于其完全松散的結構導致計算復雜度很大。另一類觀測矩陣是由任意正交矩陣的隨機抽取行構成[18]，也叫部分傅里葉矩陣，它利用了FFT快速計算的特點，減少了采樣系統(tǒng)的復雜度。然而該矩陣只與時域稀疏的信號不相干，限制了其應用[19]。這里使用結構化隨機矩陣(SRM)作為觀測矩陣，它是上述2種矩陣的有效結合，對于多種稀疏信號都適用，精確恢復需要的觀測值數目近似最佳，且該矩陣基于塊處理和線性濾波，具有低復雜度并能夠快速計算，可進一步簡化編碼端。

結構化隨機矩陣由三部分組成[10]：首先對信號做預隨機化的矩陣，之后對其做塊變換的矩陣，及最后下采樣得到觀測值的矩陣。可以寫成以下形式：

4 仿真實驗

應用hall monitor和outdoors 2個視頻測試以上系統(tǒng)的性能，2個視頻的拍攝環(huán)境一個室內一個室外，光照條件及目標大小都不相同。實驗結果顯示，本文方法對2段視頻都能夠較為準確、快速地對前景目標進行跟蹤。計算PSNR值的公式如下：

圖3是hall monitor視頻第35幀的實驗結果。其中，圖3(e)表示跟蹤效果在塊平均后的視頻中的顯示(實際中應該在圖3(d)中顯示，此處為方便比對)，細框顯示了由圖3(c)直接得到的限位框，粗框顯示了本文方法得到的限位框，點代表選取的粒子估計的限位框的中心位置。由于第35幀剛出現運動目標，前景圖像中的前景不明顯，直接得到的限位框不準確，而本文方法充分利用恢復的前景圖像，限位框的大小、位置都很準確。

圖3 hall monitor視頻第35幀的跟蹤結果

圖4是outdoors視頻部分第170幀的實驗結果，可以看出，本文方法同樣適用于室外背景有擾動，且運動目標較小并與背景灰度值接近的情況，跟蹤和恢復的結果很好。以上結果可以看出，本文系統(tǒng)在跟蹤目標的同時不會暴露詳細信息，實現了隱私保護。

圖4 outdoors視頻第170幀的跟蹤結果

對比傳統(tǒng)的用高斯隨機矩陣作為觀測矩陣，且用跟蹤結果計算加權并恢復圖像的2種方法(BP方法[9]和Lasso方法[12])，如表1所示，可以看出本文方法速度最快，雖然PSNR值略低但也不影響正確跟蹤，而且處理時間的減少更適用于應用。

表1 跟蹤性能比較

5 結束語

本文對基于壓縮感知的視頻目標跟蹤系統(tǒng)進行改進，在編碼端先對視頻進行預處理，以減少光照和噪聲等對后續(xù)處理的影響，在解碼端不對恢復算法計算加權，避免了誤差傳播，并用SRM作為觀測矩陣、GPSR-BB作為恢復算法，提高了系統(tǒng)的處理速度，進一步簡化了編碼端，且跟蹤的準確率較高。由于只需要對目標位置進行跟蹤，本文系統(tǒng)不需要對原有完整視頻進行恢復，減少了解碼端資源的開支，同時進一步保護了隱私。實驗結果證明，本文系統(tǒng)適用于多種視頻目標跟蹤的情況，對于復雜的監(jiān)控場景有一定的魯棒性，且處理速度的加快使得其更實用。然而該系統(tǒng)的PSNR值略低，這有待在恢復算法方面改進。今后將擴展系統(tǒng)功能，實現多目標跟蹤，以及通過特征匹配實現跟蹤特定的目標等。在編碼端可以在背景減除算法方面做研究，以得到更準確的前景圖像。

[1] Chan A B, John Z, Vasconcelos L N. Privacy Preserving Crowd Monitoring: Counting People Without People Models or Tracking[C]//Proc. of IEEE Conference on Computer Vision and Pattern Recognition. Anchorage, USA: IEEE Press, 2008: 1-7.

[2] Dufaux F, Ouaret M, Abdeljaoued Y, et al. Privacy Enabling Technology for Video Surveillance[C]//Proc. of Defense and Security Symposium. [S. l.]: International Society for Optics and Photonics, 2006: 1-5.

[3] Cossalter M, Tagliasacchi M, Valenzise G. Privacy-enabled Object Tracking in Video Sequences Using Compressive Sensing[C]//Proc. of International Conference on Advanced Video and Signal Based Surveillance. Genova, Italy: [s. n.], 2009: 12-15.

[4] Abdulghani A M, Rodriguez-Villegas E. Compressive Sensing: From “Compressing while Sampling” to “Compressing and Securing While Sampling”[C]//Proc. of the 32nd Annual International Conference of EMBS. Buenos Aires, Argentina: IEEE Press, 2010: 1127-1130.

[5] Candes E. Compressive Sampling[C]//Proc. of International Congress of Mathematicians. Madrid, Spain: [s. n.], 2006: 1433-1452.

[6] Donoho D L. Compressed Sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4): 1289-1306.

[7] Baraniuk R, Davenport M, DeVore R, et al. A Simple Proof of the Restricted Isometry Property for Random Matrices[J]. Constructive Approximation, 2008, 28(3): 253-263.

[8] Cossalter M, Valenzise G, Tagliasacchi M, et al. Joint Com- pressive Video Coding and Analysis[J]. IEEE Transactions on Multimedia, 2010, 12(3): 168-183.

[9] 郭巖松, 楊愛萍, 侯正信, 等. 壓縮感知目標跟蹤[J]. 計算機工程與應用, 2011, 47(32): 4-6.

[10]Do T. Practical Algorithms for Compressive Sensing and Their Applications to Multimedia Processing[D]. Baltimore, USA: Johns Hopkins University, 2010.

[11] Cevher V, Sankaranarayanan A, Duarte M, et al. Compressive Sensing for Background Subtraction[C]//Proc. of European Conference on Computer Vision. Marseille, France: [s. n.], 2008: 155-168.

[12]Figueiredo M A T, Nowak R D, Wright S J. Gradient Projec- tion for Sparse Reconstruction: Application to Compressed Sensing and Other Inverse Problems[J]. IEEE Journal of Selected Topics in Signal Processing, 2007, 1(4): 586-597.

[13] Arulampalam M S, Maskell S, Gordon N. A Tutorial on Part-icle Filter for Online Nonlinear/Non-Gaussian Bayesian Tracking[J]. IEEE Transactions on Signal Processing, 2002, 50(2): 172-188.

[14] 夏利民, 張良春. 基于自適應粒子濾波器的物體跟蹤[J]. 中國圖象圖形學報, 2009, 14(1): 112-117.

[15] Ristic B, Arulampalam S, Gordon N. Beyond the Kalman Filter: Particle Filters for Tracking Applications[M]. Norwood, UK: Artech House, 2004.

[16] 焦竹青, 徐保國. HSV 變換和同態(tài)濾波的彩色圖像光照補償[J]. 計算機工程與應用, 2010, 46(30): 142-144.

[17] Mendelson S, Pajor A, Tomczak-Jaegermann N. Uniform Uncertainty Principle for Bernoulli and Subgaussian En- sembles[J]. Constructive Approximation, 2008, 28(3): 277- 289.

[18] Cand`es E, Romberg J. Sparsity and Incoherence in Compressive Sampling[J]. Inverse Problems, 2007, 23(3): 969-985.

[19] Do T T, Tran T D, Gan Lu. Fast Compressive Sampling with Structurally Random Matrices[C]//Proc. of IEEE International Conference on Acoustics, Speech and Signal Processing. [S. l.]: Springer, 2008: 3369-3372.

編輯 金胡考

A Privacy-preserving Surveillance Video Object Tracking System

HU Xiao-li, GUO Ji-chang

(School of Electronic Information Engineering, Tianjin University, Tianjin 300072, China)

The proposed system of privacy-enabled object tracking is improved based on the primary one. After using the structurally random matrices at the encoder, the generation speed of random sampling matrix is improved. After using fast methods such as GPSR-BB in reconstruction and particle filtering in analysis at the decoder, the noise resistance of system is improved. It uses particle filtering algorithm for target tracking, reduces the tracking results error influence on compression perception recovery algorithm accuracy, as well as the time needed for analysis steps. Experimental result shows that the proposed framework enables the privacy in tracking and at the same time increases the robustness to illumination condition. It also avoids the error of tracking results affecting the accuracy of CS reconstruction algorithm, which is faster than the original one and the performance of tracking is excellent. The process time of this system is saved 30.3% and 51.6% of the BP and Lasso method.

compressive sensing; object tracking; particle filtering; structured random matrices; gradient projection; basis pursuit

1000-3428(2014)03-0283-04

A

TN919.8

高等學校博士學科點專項科研基金資助項目(20120032110034)。

胡曉莉(1989－)，女，碩士研究生，主研方向：圖像及視頻處理；郭繼昌，教授、博士。

2013-01-14

2013-03-20 E-mail：xiaolihu@tju.edu.cn

10.3969/j.issn.1000-3428.2014.03.060