基于元胞混沌压缩感知的帧时空稀疏化视频并行重构方法研究

In theory, video surveillance can be considered as one simulation or enhancement of information acquisition of human vision system. Currently, it has become increasingly significant in many fields, such as social management, public security, etc. However, it is more and more conspicuous that the data deluge between video big data and intelligent processing application. Under this background, compressed sensing (CS) is gradually becoming a hot topic in video processing research. In this project, a new CS video processing framework will be presented with some novel ideas and tools, including cellular chaos model, frame space-time bidirectional sparsification, and parallel greed iteration. The innovation of this project is: (1) The generative mechanism of CS measurement matrix will be improved by the proposed cellular chaos model. (2) Both the sparsity metric function for time-domain frame difference sensing data and the prior scene sparse dictionary for space-domain keyframe will studied to reduce computation cost. (3) The parallel greed iteration will be accomplished to improve CS recovery speed by utilizing the independence of inner product operation. In summary, this study will not only be helpful to the resolution of data deluge in video surveillance but also become beneficial theoretical foundation for the further video big data intelligent processing.

视频监控作为人类视觉信息获取的一种动态模拟和强化扩展，在现代世界各国的社会综合管理、安防系统构建等领域有着不可替代的重要作用。但是，随着视频监控在高清、实时、全天候等方面要求的不断提高，由视频大数据引起的数字洪灾等处理难题日益突出。为此，研究以压缩感知理论为基础的新型视频处理框架，已经成为国内外学术界的关注热点。本项目以元胞混沌模型、帧时空双向稀疏化、贪婪迭代并行化等创新思路尝试解决压缩感知视频处理在采样和重构各环节面临的问题。本课题的创新点包括：拟运用元胞混沌模型及改进，提出更优的压缩感知观测矩阵生成机制；根据视频帧在时、空域的特点，拟研究针对帧差感知数据的稀疏性度量函数和基于先验场景建模的稀疏字典构建方法；考虑贪婪迭代中内积运算的独立性，拟通过其并行化实现重构速度的大幅提高。本项目的开展有利于缓解视频监控系统中的数字洪灾难题，而且可以为大数据背景下的视频监控智能化提供更好的理论支撑。

随着高性能摄像设备的普及以及计算机智能技术的发展，数字视频的应用已经成为当今世界各国共同关注的研究热点。近年来，国民经济的高速发展对我国生产安全、公共安防等方面提出了越来越高的要求，为此国务院在各地大力推进“平安城市”、“智慧城市”等一系列活动。事实上，这些活动的开展普遍依赖于视频监控平台建设的支撑。目前我国的视频监控应用还主要依赖于人工解译，同时大多数的应用行业（如银行、公安等）对视频数据的保存通常只维持几个月（即此后直接删除）。从这一现状来看必然出现的问题是：对于指数级递增的视频数据，应用行业在尚未发掘出有用信息的情况下，就将面临销毁这些数据的抉择。.为解决视频数据海量化对信号处理领域带来的难题，本课题构建了一套基于压缩感知理论的视频数据处理框架。研究内容主要包括：以元胞混沌模型作为采样环节的研究和改进对象，在达到视频有效信息高保真压缩的同时减少压缩感知观测次数；结合视频数据的特点，以更低的运算开销从时空两方面实现压缩感知处理对象的稀疏化；通过研究贪婪迭代算法的并行化，大幅提高压缩感知重构环节的运算速度。.本项目的研究成果主要有：1）提出符合压缩感知降维采样应用要求的元胞混沌观测矩阵生成机制；2）采用针对低维帧差感知数据的度量估计原始数据在时域上的稀疏程度来实现关键帧和稀疏差帧的有效区分；3）利用广义观测矩阵和感知数据的内积运算之间具有天然的不相关性研究适用于压缩感知重构的并行化贪婪迭代算法。.在这个新的视频处理框架下，由于低维感知数据具有高保真特性，因此对其进行的模式识别、机器学习等智能处理，在某种程度上可以等价于直接对原始数据进行处理。本项目的开展不仅有利于缓解城市视频监控系统的数字洪灾问题，而且后续的相关研究可以为大数据背景下的视频数据智能化提供一些更好的解决思路。