运动补偿预测残差稀疏重构的分布式压缩视频传感

针对低复杂度视频编码需求,基于压缩传感(CS：Compressive Sensing)理论,提出了一种分布式压缩视频传感算法。低复杂度的编码器独立随机投影关键帧和CS帧,采集压缩视频数据;在解码端进行运动补偿预测以利用帧间相关性,对预测残差稀疏重构实现CS帧重建。仿真测试表明,与现有的三种压缩视频传感算法相比,所提算法重建的视频质量更好,适合无线视频监控及无线视频传感网络等应用。     

分布式压缩感知视频编码中CS帧的二次修正准则研究

分布式视频编码是新的视频编码体系,与传统的视频编码体系相比,具有编码端相对简单、解码端相对复杂的特点。此外,压缩感知突破了奈奎斯特采样定理,降低了信号的采样率。将压缩感知理论应与分布式视频编码相结合,使编码端复杂度降低。在一些分布式压缩视频编码研究中,CS帧是由边信息和发送端传送的信息联合重建的,由于不同CS帧的边信息的预测准确度不同,导致不同CS帧恢复质量相差较大。为了解决这个问题,本文对CS帧的二次修正准则的进行研究,首先从理论上推导出方差作为修正准则的可行性,并在实验中加以验证。实验可知,本文提出的方法在一定程度上改善了这些帧的重建质量。      

基于压缩传感的半脆弱水印的视频篡改检测算法

现针对目前的视频水印算法在篡改检测方面存在不足,提出一种基于压缩传感的半脆弱水印的视频篡改检测算法.通过压缩传感算法提取I帧的图像特征,生成半脆弱的内容认证水印,嵌入到I帧图像的中高频系数中,实现帧内篡改检测.通过对P帧的序号进行哈希运算,生成完整性水印,嵌入到P帧的运动矢量中,实现帧间篡改检测.仿真实验表明,算法对视...     

压缩传感技术及其应用

本文综述了一种新的信号处理方法—压缩传感（Compressive Sensing ,CS）,它是针对稀疏或者可压缩信号,在采样的同时即可对信号数据进行适当压缩的新理论。近年来,压缩传感理论成为信号采样及图像处理领域最新、最热点的问题之一。它主要包括三个方面：稀疏表示矩阵,非相干测量矩阵以及重建算法。本文介绍了压缩传感理论的模型,以及压缩传感的主要重建算法,并将实现方法进行了分析与比较。文章最后列举出了压缩传感的主要应用领域。     

使用能量匹配的监控视频自适应速率压缩感知

获取信号稀疏度对压缩感知(CS)性能的提升有重大意义,但在采样端不进行完整信号数字化采集和存储的情况下,对信号稀疏度进行估计比较困难。现有方法在稀疏度估计性能和计算复杂度方面难以取得较好的平衡。针对采样端对信号特性未知的监控视频应用,该文提出一种新的使用能量匹配的自适应速率压缩感知方法(ARCS-EM),通过观测一个恒定低速率的压缩感知观测结果来对当前帧实际稀疏度进行估计,然后根据估计结果决定当前帧应执行的压缩感知测量数,再进行补充测量得到当前帧的优化压缩感知采样结果。实验结果表明,该方法可以较好地适应视频中前景稀疏度的变化,为每帧图像分配适当的压缩感知测量速率,在不显著提高采样端计算复杂度的前提下,有效提高重建视频的质量。     

一种低复杂度的多参考帧选择率失真优化方法

视频在无线易错信道上传输,报文丢失会导致图像质量显著下降。多参考帧选择方法可以降低误码扩散,从而提高误码信道上传输视频的图像质量。但是参考帧选择方法也使得编码器计算复杂度大大增加。基于多参考帧选择技术提出一种低复杂度的率失真优化方法。该方法首先在编码器上重建误码图像,使得编码器和解码器上的参考图像一致,然后利用端到端率失真优化模型,在重建的误码图像与编码图像的上一帧图像中选择最优的参考帧。在进行率失真计算时,采用线性预测方法计算运动补偿后图像差值的方差,减少了运动估计运算,从而大大降低计算复杂度。实验结果表明相对于帧内刷新方法该方法显著提高图像质量,相对于一般多参考帧选择方法,在损失很小性能的情况下,大大降低了计算复杂度。     

CS与GPR联合反演目标成像

压缩传感(CS)理论是在已知信号具有稀疏性或可压缩性的条件下对信号数据进行采集、编解码的新理论。压缩传感采用非自适应线性投影来保持信号的原始结构,能通过数值最优化问题准确重构原始信号。压缩传感以远低于奈奎斯特频率进行采样,在高分辨压缩成像系统、视频图像采集系统、雷达成像以及MRI医疗成像等领域有着广阔的应用前景。阐述了压缩传感理论框架以及信号稀疏表示、CS编解码模型,并进行了压缩传感与探地雷达联合反演目标成像。反演结果表明,随机孔径压缩传感成像算法比递归反向投影算法和最小二乘法所需数据量少,成像效果好,目标旁瓣小,对噪声的鲁棒性更好。     

无线传感网中基于卡尔曼预测的自适应压缩感知

针对无线传感网中节点间相关性较弱但节点内相关性较强的情况,本文提出了基于卡尔曼预测的自适应压缩感知算法。在中继传输模型下,通过卡尔曼预测来决定观测节点是否发送数据,减少发送节点来构建空间稀疏性,同时在融合中心采用自适应选择中继数量的序贯重构算法,降低中继节点的传输能耗。仿真结果表明,和其他基于预测的压缩感知算法相比,本算法观测节点的计算复杂度和中继节点的传输能耗大大降低而不会带来误差的增加。      

联合时空特征的视频分块压缩感知重构

为了提高视频压缩感知(CS)重构算法的率失真性能,该文提出利用视频的时空特征进行联合重构。为了不引入过多的复杂度,采集端以固定采样率对帧内各块进行测量;重构端则在最小全变差(TV)重构模型的基础上,分别加入利用时空自回归(AR)模型和多假设(MH)模型所形成的正则化项,以提高预测-残差重构的性能。另外,考虑到视频源的统计特性在时空域中是动态变化的,讨论了5种不同的帧间预测模式对重构精度和重构计算复杂度的影响。仿真实验表明,所提出的重构算法能够以一定的计算复杂度为代价有效地改善视频重构质量,且在关键帧采样率高于非关键帧的情形下,帧间预测模式的改善也可一定程度上提高视频重构质量。     

基于压缩采样理论的改进型视频编解码器

压缩采样或压缩传感是数据采样并同时压缩的新理论、新方法,是现在理论研究的热点.通过对CS视频编码的研究,提出了一种基于CS理论的改进型视频编码方法,所提的改进型方法结合使用SRM和GPSR算法,比原算法更加注重利用视频本身的特性和更为合理的观测数分配方法.     

Video compressive sensing reconstruction via long- short-term double-pattern prediction

The compressive sensing technology has a great potential in high-dimensional vision processing. The existing video reconstruction methods utilize the multihypothesis prediction to derive the residual sparse model from key frames. However, these methods cannot fully utilize the temporal correlation among multiple frames. Therefore, this paper proposes the video compressive sensing reconstruction via long-short-term double-pattern prediction, which consists of four main phases:the first phase reconstructs each frame independently; the second phase adaptively updates multiple reference frames; the third phase selects the hypothesis matching patches from current reference frames; the fourth phase obtains the reconstruction results by using the patches to build the residual sparse model. The experimental results demonstrate that as compared with the state-of-the-art methods, the proposed methods can obtain better prediction accuracy and reconstruction quality for video compressive sensing.     

CVS中基于视频运动特征的多假设-双稀疏重构算法

针对目前视频压缩感知重构算法对不同特征的视频序列重构质量参差不齐的问题,结合双稀疏对轮廓、细节的高清晰重构以及多假设算法对高频噪声有效抑制的优点,本文提出一种基于视频运动特征的多假设-双稀疏重构算法（VF-MH-DSR）.基本思路是基于每个视频组（GOP）的运动特征,采取相应的多假设-双稀疏重构策略.首先给出一种观测域多维度参考帧的多假设重构算法（MD-MRF-MH）及其最优相似块个数设置方案;然后给出一种像素域多假设参考帧的重构算法（PD-MRF-MH）及一种高性能双匹配准则;最后介绍了视频信号运动特征判定方案及多假设-双稀疏重构的具体实现方案.仿真实验表明,本文所提多假设-双稀疏重构算法相对于目前较好的多假设预测重构算法2sMHR及组稀疏重构算法SSIM-InterF-GSR,重构性能平均提升了1.98dB和0.84dB.     

基于边信息的分布式视频压缩感知的残差重构

压缩感知(Compressed Sensing,CS)结合了视频信号的变换和信息压缩过程,为简化编码算法提供了一种新的解决思路.把分布式视频编码(DVC)和CS结合在一起,构建简单的视频编码框架,并利用原始视频帧与边信息之间的相关性进行残差重构,提出了一种基于边信息的分布式视频压缩感知编解码方案.此方法对关键帧采用传统的帧内编、解码;对非关键帧CS进行随机观测提取观测向量,解码端利用优化的边信息和传输的CS观测向量进行联合重构.实验结果表明,该方法在运动较平滑的序列中比参考方案的恢复质量提高了4 ～6 dB.     

Video compressed sensing reconstruction based on structural group sparsity and successive approximation estimation model

The existing video compressed sensing (CS) algorithms for inconsistent sampling ignore the joint correlations of video signals in space and time, and their reconstruction quality and speed need further improvement. To balance reconstruction quality with computational complexity, we introduce a structural group sparsity model for use in the initial reconstruction phase and propose a weight-based group sparse optimization algorithm acting in joint domains. Then, a coarse-to-fine optical flow estimation model with successive approximation is introduced for use in the interframe prediction stage to recover non-key frames through alternating optical flow estimation and residual sparse reconstruction. Experimental results show that, compared with the existing algorithms, the proposed algorithm achieves a peak signal-to-noise ratio gain of 1–3 dB and a multi-scale structural similarity gain of 0.01–0.03 at a low time complexity, and the reconstructed frames not only have good edge contours but also retain textural details.     

Reconstruction algorithm based on multi-reference frames hypothesis optimization for compressive sensing

In multi-hypothesis based distributed compressed video sensing systems,the quality of the multi-hypothesis set has important influence on the reconstruction performance of decoder.However,the acquiring of the hypothesis set has not been concerned in existing works.A reconstruction algorithm based on multi-reference frames hypothesis optimization (MRHO) was proposed.This algorithm expanded the selection of hypothesis vectors by increasing the number of reference frames.The quality of the prediction set was improved by hypotheses optimization selection under the same size with the original hypothesis set.Simulation results show that the proposed MRHO algorithm effectively improves the reconstructed quality of the distributed compressed video sensing scheme.     

Dictionary learning based reconstruction for distributed compressed video sensing

Distributed compressed video sensing (DCVS) is a framework that integrates both compressed sensing and distributed video coding characteristics to achieve a low-complexity video coding. However, how to design an efficient reconstruction by leveraging more realistic signal models that go beyond simple sparsity is still an open challenge. In this paper, we propose a novel “undersampled” correlation noise model to describe compressively sampled video signals, and present a maximum-likelihood dictionary learning based reconstruction algorithm for DCVS, in which both the correlation and sparsity constraints are included in a new probabilistic model. Moreover, the signal recovery in our algorithm is performed during the process of dictionary learning, instead of being employed as an independent task. Experimental results show that our proposal compares favorably with other existing methods, with 0.1–3.5 dB improvements in the average PSNR, and a 2–9 dB gain for non-key frames when key frames are subsampled at an increased rate.     

基于自适应PCA稀疏基底的分布式视频压缩感知重构

为了提高分布式视频压缩感知（Distributed Video Compressive Sensing,DVCS）的率失真性能,本文提出利用自适应稀疏基底进行联合重构。提出算法利用帧间运动信息形成样本数据矩阵,再利用主成份分析（Principle Components Analysis,PCA）训练出其显著主成份构成稀疏字典,该稀疏字典不仅可根据视频时空统计特征自适应变化而且可有效地抑制噪声。仿真实验表明,本文所提出的联合重构算法可有效地改善主客观视频重构质量,能够以一定的计算复杂度为代价提高DVCS系统的率失真性能。