基于AR模型的壓縮感知視頻序列重構(gòu)算法研究.pdf

1、壓縮感知理論作為一種新的采樣理論可以突破奈奎斯特采樣定理的限制，同時(shí)實(shí)現(xiàn)信號(hào)的采樣與壓縮。由于壓縮感知采樣量、采樣頻率和存儲(chǔ)成本的下降使得其成為國(guó)內(nèi)外眾多學(xué)者研究的熱點(diǎn)，并被廣泛地應(yīng)用到場(chǎng)景監(jiān)控、目標(biāo)跟蹤等領(lǐng)域。重建算法是壓縮感知理論的關(guān)鍵所在，因此，研究有效的壓縮感知視頻序列重構(gòu)算法具有重要的理論意義和實(shí)用價(jià)值。
　　針對(duì)現(xiàn)有基于自回歸（Autoregressive，AR）模型的視頻序列重構(gòu)算法中存在重構(gòu)時(shí)間長(zhǎng)且重構(gòu)精度不理想的

2、問(wèn)題，改進(jìn)了一種基于AR模型的當(dāng)前幀預(yù)估算法，并結(jié)合殘差補(bǔ)償技術(shù)形成一套完整的壓縮感知視頻序列重構(gòu)方案 AR-RRCS（Autoregressive-Residual Reconstruction based on Compressed Sensing）。論文主要研究?jī)?nèi)容和成果如下：
　　①首先對(duì)預(yù)估對(duì)象進(jìn)行了改進(jìn)。先尋求視頻幀測(cè)量值之間的高度相關(guān)性，并以此為依據(jù)，利用AR模型先對(duì)壓縮后的當(dāng)前幀測(cè)量值進(jìn)行預(yù)估得到測(cè)量值的預(yù)估值；然

3、后，再將其作為正則項(xiàng)加入到最優(yōu)化算法中得到當(dāng)前幀的最初預(yù)估值。避免了傳統(tǒng)方法中直接對(duì)未壓縮前的數(shù)據(jù)進(jìn)行預(yù)估所帶來(lái)的數(shù)據(jù)量大的問(wèn)題。此方法可以縮短預(yù)估時(shí)間，從而為提升整個(gè)算法的重構(gòu)速度。
　?、谄浯螌?duì)預(yù)估的方法進(jìn)行了改進(jìn)。首先，將 GOP內(nèi)和當(dāng)前幀相鄰的關(guān)鍵幀和若干非關(guān)鍵幀測(cè)量值作為原始數(shù)據(jù)集，通過(guò)最小二乘法實(shí)現(xiàn)AR系數(shù)的確定；其次，以AR余項(xiàng)的方差和最終預(yù)測(cè)誤差（Final Prediction Error，F(xiàn)PE）函數(shù)作為準(zhǔn)則函

4、數(shù)以確定AR階數(shù)；最后，將GOP內(nèi)與當(dāng)前幀測(cè)量值最為相似的若干測(cè)量值作為AR支撐域。AR系數(shù)、AR階數(shù)以及AR支撐域三者確定后即可實(shí)現(xiàn)當(dāng)前幀測(cè)量值的預(yù)估。該方法主要以線性運(yùn)算為主，并且充分考慮到了視頻幀間相關(guān)性，因此重構(gòu)效果和時(shí)間都有所改善。
　　③經(jīng)驗(yàn)證，殘差補(bǔ)償能使視頻重構(gòu)取得較好的效果。首先，尋求當(dāng)前幀與其預(yù)估值的殘差；接著，對(duì)殘差進(jìn)行測(cè)量，并通過(guò)壓縮感知重構(gòu)算法實(shí)現(xiàn)殘差重構(gòu)；最后，將重構(gòu)殘差與預(yù)估值相加，最終實(shí)現(xiàn)當(dāng)前幀的重