面向视频传感器网络基于压缩感知理论的多视点视频压缩技术研究

People can acquire a wealth of information by using three-dimensional video based sensor networks, which is rapid with a prosperous application. For this application, it is one of key technologies to compress multiview video effectively. The emerging theory, compressed sensing, supports the features of low speed sampling, compression during sampling, and concise implementation structure for encoder. Therefore, it is proper for compression coding in the energy-restricted three-dimensional video based sensor networks. This project researches on the compressing encode technology of multiview video based on compressed sensing. The overcomplete dictionary based compressed sensing extends the sparse representation ability for extensive signals, and the model-based compressed sensing uses well structured signal models to guide the signal recovery proceeding. Therefore, these two methodologies are more appropriate to processing video signals. This project attempts to use the inter-frame coherence to guide the building of overcomplete dictionary and the image model, and in further to propose innovative encoding technologies for the P/B frames in multiview video based on the theory of compressed sensing. With the intensive study of related topics, this technology is looking forward to introduce great changes to the image sampling and compression technologies for three-dimensional video based sensor networks.

融合三维视频的传感器网络能够使人们获得更为丰富的信息内容，在云计算时代有广阔的应用前景。其中对多视点视频图像的压缩编码是这一应用取得成功的关键技术之一。最新理论成果压缩感知具有对信号的低速采样，在采样的同时实现压缩，以及简单的编码器实现架构等特点，适合在能量受限的三维视频传感器网络中对信号进行压缩编码。本项目基于压缩感知理论研究对多视点视频的压缩编码技术。基于冗余字典的压缩感知理论扩展了可稀疏表示的信号范围，基于模型的压缩感知理论利用固定结构的信号模型引导信号恢复，这两种方法更加适用于处理内容更为丰富的信号对象，这符合视频信号的特征。本项目针对多视点视频中的P/B帧，旨在利用帧间相关性引导冗余字典以及图像模型的构建，力求在压缩感知理论的框架下提出多视点视频压缩的创新性编码方法。随着相关研究的不断深入，这种方法将有望在视频传感器网络应用中引起视频图像采样以及压缩编码技术的变革。

融合三维视频的传感器网络能够获取更为丰富的信息，在监控、医疗等领域有广阔的应用前景。其应用架构的典型特点是采用分布式、能量受限的信号采集节点，以及运算能力较强、能量消耗约束少的集中运算平台。基于压缩感知理论的信号采集及处理方法可实现在采样的同时压缩信号，适用于上述传感器网络。本项目旨在研究基于压缩感知理论的多视点视频压缩方法，包括两方面内容。首先，研究稀疏信号恢复算法。正交匹配追踪算法运算过程简单，便于专用集成电路实现，得到了广泛使用。本项目分析了匹配追踪算法过程，将支集元素选择视为多重假设检验时拒绝零假设的过程，针对假设检验中存在的假阳性，本项目从概率统计的角度出发，推导估计出了假阳性发生的次数，从而进行支集元素修剪，最终确定了稀疏信号的有效支集。其次，本项目的第二项研究内容是同时利用多视点视频帧之间的运动向量以及视差向量，研究联合利用所有相关帧的冗余信息进行多视点视频信号恢复的方法。通过上述研究，在稀疏信号恢复算法方面取得了一定研究成果。提出“基于置信度估计的匹配追踪算法”（CEMP），而且，通过结合置信度估计与稀疏信号子空间追踪，提出“逐次最优子空间追踪算法”（AOSP）。分别针对两种无采样噪声及含采样噪声的稀疏信号模型（高斯及脉冲幅度调制稀疏信号），及自然图像进行了仿真验证。用于比较的算法有GOMP、OMP、FBP、SP、SWOMP、及StOMP-FDR。结果表明，AOSP及CEMP算法可以获得较现有匹配追踪类算法更为优越的信号恢复质量。对自然图像的仿真中，AOSP及CEMP算法分别获得PSNR为30.2dB和29.84dB的恢复图像，性能高于其他匹配追踪算法1dB以上。本项目对稀疏信号恢复研究的算法成果，理论分析严谨，仿真结果明确，可以用于基于压缩感知的稀疏信号恢复，以及稀疏字典建立等场合。提出的多视点视频压缩方法，可为基于压缩感知的多视点视频恢复研究提供参考。