残差分布式视频压缩感知.doc

残差分布式视频压缩感知 摘要：目前，随着3G通信和物联网技术的发展，低能耗的视频摄取设备大量涌现。这些设备由于电池能量有限，它们要求低复杂度的视频采集和编码压缩算法。压缩感知（CS）是一种能同时进行数据采集和压缩的新理论，为简化编码算法提供了依据，同时，分布式视频编码（DVC）为低复杂度的视频编码提供了思路。因此，本文通过整合DVC和CS各自的特性以构建编码简单的视频编码框架, 并采用残差技术来提高系统性能，最终提出了一种残差分布式视频压缩感知（RDCVS）算法：对关键帧进行传统的帧内编、解码；而对非关键帧，编码端采用一种基于残差联合稀疏模型的随机观测，解码端利用边信息和改进的梯度投影重建（GPSR）算法进行优化重构。由于将运动估计和变换编码等复杂度较高的运算转移到解码端进行，因而RDCVS保持了低复杂度编码特性，同时，实验结果表明，本文的RDCVS算法比参考方案的恢复质量提高2-3dB。 关键词：视频压缩感知; 压缩感知；分布式视频编码; 残差 引 言 目前，随着3G通信和物联网技术的发展，低复杂度编码的视频编码已经得到广泛的关注，例如:在移动视频摄像、无线视觉感知网络（WVSN）[1]等视频服务场合，其中的视频摄取设备由于电池能量和内存有限，它们要求低复杂度的编码算法，而其解码端，由于配备大能量的中心计算机，可以允许高复杂度的解码算法。这种需求与传统视频编码算法的应用场合恰恰相反,比如传统的MPEG、H26X系列算法，编码端由于采用高复杂度的运动估计和变换编码，其编码算法是解码算法的5-10倍，适合于一些编码端比解码端运算能力较强的应用，如广播、数字电视等等。 分布式视频编码（DVC）[2]是适应低复杂编码而出现的一种新的视频编码框架。DVC基于分布式信源编码理论，提出将视频的相邻帧看作相关信源，对相邻帧采用“独立编码和联合解码”的编码框架，区别于传统视频编码的“联合编码和联合解码”框架。实现算法中，DVC将高计算量的运动估计全部或者部分地转移到解码端进行，因而实现了低复杂度编码。 然而，即便是低复杂度编码的DVC，其编码端仍然采用传统的Nyquist采样定理来进行高速采集，带来大量采样数据，同时，为了提高编码性能，DVC一般在编码端对采样数据要进行变换编码，而变换编码也带来了较大的计算量，这些都将影响DVC的低复杂度编码特性。 近年来，Donoho[3]和Candes[4]等人提出了压缩感知理论，其基本思想是采用随机观测，将高维稀疏信号投影到低维空间上，然后通过求解一个凸优化问题就可以从少量投影值中高概率重构出原始信号。压缩感知将采样和压缩过程合并，其采样数量远远小于Nyquist采样，从而降低编码端的压缩负担，提高了编码效率。同时，由于压缩感知仅在编码端使用随机观测，因此去除了传统变换编码带来的高计算量。 为了将压缩感知应用在相关信源的编码压缩中，新近 Baron等人[5]提出了分布式压缩感知（DCS）的概念，与传统压缩感知不同的是，分布式压缩感知提出采用一种联合稀疏模型（Joint sparity model，JSM）对相关信源进行压缩。由于相邻帧之间的相关性，视频序列可以看作是一种特殊的相关信源，L-W Kang[6]等将联合稀疏模型应用在视频信号的压缩中，提出了一种分布式视频压缩感知（DCVS），该算法虽然实现了低复杂度编码，但是由于对视频相关性利用得不彻底，因此，编码效率较低。目前,如何将DVC和DCS整合以实现编码复杂度低、压缩效率高的视频编码仍有许多工作需要开展。 基于上述分析，本文将考虑提高DCVS的压缩效率，通过整合DVC和DCS的特性，并采用残差编码技术来进一步利用视频的时间相关性、提高稀疏度，提出了一种残差分布式视频压缩感知RDCVS：对关键帧采用传统的帧内编解码进行 ____________________________ 压缩，而对非关键帧利用一个参考帧来求取残差，然后进行一种基于残差联合稀疏模型的随机观测。由于残差帧的稀疏性较强，因此，RDCVS有望比DCVS取得更高的性能。 本文安排如下：第二部分首先总结DVC、DCS和GPSR算法的原理，第三部分将详细介绍RDCVS的原理和实现算法，第四部分用实验验证算法的性能，第五部分是结论。 2 相关工作 2.1 分布式视频编码（DVC） DVC[2]基于Wyner-Ziv理论，假设信源和边信息之间存在一个虚拟相关信道，则可看作是经过此虚拟信道的“噪声输出”，和之间的相关性被建模为Laplacian模型: （1） 其中和分别是和在位置的像素，参数≥0且=/σ, σ是的偏移量。Wyner-Ziv编码端对信源进行SW编码（一般采用信道编码）生成信息位和校验位，丢弃信息位而仅发送少部分的校验位到解码端；解码端利用边信息作为“接收到的有噪信息位”，