魯棒性壓縮感知重構技術及其在智能視頻監控中的應用研究

鄭志剛　楊真真

摘 要： 在視頻監控中需要進行魯棒性壓縮感知重構，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技術并應用在智能視頻監控中。首先利用隱馬爾科夫模型對智能視頻監控系統中的視頻幀序列進行頻域特征點奇偶分裂處理；然后計算視頻監控編碼的標量量化碼率分配系數，建立視頻壓縮感知重構的時空方向樹，采用隱馬爾科夫模型進行解碼重建，實現視頻幀的魯棒性壓縮感知重構；最后進行仿真測試。結果表明，采用該方法進行監控視頻的壓縮感知重構，能有效降低丟包率和傳輸時延，在智能視頻監控中具有較好的應用價值。

關鍵詞： 魯棒性壓縮感知； 智能視頻監控； 編碼； 奇偶分裂處理

中圖分類號： TN948.64?34； TP391 文獻標識碼： 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

智能視頻監控系統在安全防衛、交通管理、環境探測等領域具有廣泛的應用價值。在視頻監控系統中，視頻碼流通過壓縮幀編碼進行信息傳輸，通過多個信道進行視頻信息數據流的通信和網絡傳輸，在視頻監控的接收端，將視頻信息分解為多組信息重構后的視頻圖像序列，在視頻監控系統的接收終端顯示出經過壓縮編碼處理后的重構圖像和視頻幀序列[1]。智能視頻監控系統的丟包和時延是評價視頻監控性能好壞的關鍵因素，需要通過魯棒性壓縮感知重構，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控輸出效果。

1 視頻幀序列的信息預處理

1.1 視頻幀序的頻域特征點奇偶分裂處理

為了實現對視頻監控系統中傳輸視頻的魯棒性壓縮感知重構，需要進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技術并應用在智能視頻監控中。利用隱馬爾科夫模型對智能視頻監控系統中的視頻幀序列進行頻域特征點奇偶分裂處理。首先假設傳輸的單幀視頻為一組圖像序列[2?3]，采用三維小波變換對視頻監控系統中傳輸的圖像組進行頻域特征分裂，對頻域特征點奇偶分裂處理，實現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）進行3D?SPIHT奇偶拆分和編碼[4]，在奇偶信道中進行解碼和視頻恢復處理，得到智能視頻監控系統中視頻幀序列的信息處理組織框圖如圖1所示。

在視頻監控系統的原始CIF格式視頻序列分析中，將視頻監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邊緣域特征點分離相位。

根據上述，采用基于邊緣耦合性的奇偶拆分進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邊緣的低頻HL信息進行連續邊緣分解[5]。

1.2 標量量化碼率分配系數計算

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

2 監控視頻魯棒性壓縮感知重構實現

2.1 視頻壓縮感知重構的時空方向樹計算

在上述進行了視頻幀序列的信息預處理的基礎上，在視頻監控中進行魯棒性壓縮感知重構，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技術，建立視頻壓縮感知重構的時空方向樹，采用隱馬爾科夫模型進行解碼重建[7]，選擇視頻壓縮感知重構的種子點附近各輪廓的域特征點，采用互相關特征匹配方法，得到候選匹配區域的相對位置為：

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

表1 智能監控視頻的編碼符號概率分布

根據表1所示的編碼概率方法，對監控視頻進行魯棒性壓縮感知重構。

2.2 視頻魯棒性壓縮感知重構的統計模型構建

在建立視頻壓縮感知重構的時空方向樹的基礎上，采用隱馬爾科夫模型進行解碼重建，實現視頻幀的魯棒性壓縮感知重構，視頻魯棒性壓縮感知重構的隱馬爾科夫模型表達式為：

3 實驗測試分析

實驗中用SUVINIANCE420監控系統的標準監控視頻序列SNIG_cif來測試視頻重構方案在降低視頻傳輸的丟包和實驗方面的性能，仿真實驗的硬件環境建立在Intel[?] Lennov[?] CPU E3?1225， 4.2 GHz ， 8 GB內存計算機基礎上，采用Matlab編程軟件進行算法設計，采用循環幀搜集方法，選取了16個視頻樣本集進行視頻壓縮感知重構分析，視頻數據包分別取1 024×20，1 024×40，1 024×60等規模。根據上述實驗環境和參量設定，采用本文方法和傳統方法進行視頻重構，得到未使用壓縮算法和使用壓縮算法的監控視頻傳輸延時如圖3所示。

分析圖3和圖4結果得知，采用本文的壓縮感知重構方法，視頻監控中傳輸時延較??；隨著測試時間的推移，未采用壓縮感知重構方法積累在待發送端的幀數量增大，使得視頻幀難以及時到達接收端，產生數據丟包；采用本文方法進行視頻感知重構，在發送端的待發幀數量始終維持在較小的數目內，實現視頻幀的實時完整性傳輸，從而避免了視頻監控的傳輸丟包和延時。

4 結 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技術并應用在智能視頻監控中。首先利用隱馬爾科夫模型對智能視頻監控系統中的視頻幀序列進行頻域特征點奇偶分裂處理；然后計算視頻監控編碼的標量量化碼率分配系數，建立視頻壓縮感知重構的時空方向樹，采用隱馬爾科夫模型進行解碼重建，實現視頻幀的魯棒性壓縮感知重構。研究結果表明，采用本文方法進行監控視頻的壓縮感知重構，能有效降低丟包率和傳輸時延，能較好地應用在智能視頻監控中。

參考文獻

[1] 陸興華，張曉軍.人員圖像跟蹤過程中多人交叉區域防丟失方法[J].計算機仿真，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，2014，37（12）：36?40.

[4] 羅澤峰，單廣超.基于網絡和虛擬多媒體技術的海戰平臺視景仿真實現[J].物聯網技術，2015，5（3）：91?92.

[5] 李元元.基于Open Core核心的Android平臺視頻監控系統設計[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.