鲁棒性压缩感知重构技术及其在智能视频监控中的应用研究

Compressed sensing (CS) is an emerging compressive sampling technology and has attracted considerable attention in many fields especially the video processing field by suggesting that it samples a signal and compresses it meanwhile. It also provides a new solution to “big data” problem in intelligent video surveillance system. Compressed sensing contains three ideas: sparse representation, measurement and reconstruction, and one of the key ideas of it is to recover a sparse signal from very few measurements by nonlinear optimization. It is a goal of CS to tailor a stable, low computational complexity and fast convergence reconstruction algorithm. Besides，in actual applications, noises may inevitably exist, and thus to study the robustness of compressed sensing reconstruction technology is of great significance. It is important and necessary to tailor more robust reconstruction algorithms so as to improve the reconstruction performance, and apply the CS reconstruction technology to intelligent video surveillance. In this subject, the main contributions are as follows:①Tailor more robust video reconstruction technology; ②Tailor object detection algorithms based on robust CS; ③Tailor image fusion algorithms based on robust CS.

压缩感知(Compressed Sensing, CS)是一种新兴的压缩采样技术，由于其具有对未知信号边采样边压缩的特性，所以该技术在许多领域特别是视频处理领域具有广阔的应用前景，它为智能视频监控系统所面临的“大数据”问题提供了一种新的解决方案。该技术中的核心问题是信号的稀疏性表示、压缩采样和重构，而通过求解非线性优化问题从少量观测中重构出稀疏信号的重构问题又起着举足轻重的作用。如何构造稳定、对观测数据要求少、计算复杂度低、收敛速度快的重构算法，一直是CS理论重构技术研究的主要内容和追求的目标。此外，在实际的应用中，噪声难以避免，所以研究压缩感知重构技术的鲁棒性，以改善重构信号质量，并将具有鲁棒性的CS技术应用到智能视频监控中，是十分重要和很有意义的课题。本课题的主要创新工作如下：①提出鲁棒性的视频联合重构技术；②提出基于鲁棒性压缩感知的目标检测算法；③提出基于鲁棒性压缩感知的图像融合算法

压缩感知(Compressed Sensing, CS)是一种新兴的压缩采样技术，该技术在许多领域都具有广阔的应用前景，它为智能视频监控系统所面临的“大数据”问题提供了一种新的解决方案。本项目系统研究鲁棒压缩感知重构技术，并将该技术应用到智能视频监控中，所涉及的研究还包括基于鲁棒压缩感知的目标检测和图像融合技术。整个课题的研究为后续构建基于鲁棒压缩感知的新型信息采样和处理系统奠定基础。主要研究成果为：(1)基于鲁棒字典学习的稀疏表示方面：引入自适应稀疏约束机制，提出自适应K-SVD字典学习算法；采用交替近端线性化方法求解非凸l0范数最小化问题，提出一种新型鲁棒字典学习算法；提出基于AK-BPR字典学习的压缩感知算法。(2)鲁棒压缩感知重构技术方面：采用最速下降法和梯度投影法逐步逼近最优解，提出基于光滑l0范数和PRP共轭梯度法的压缩感知重构算法；将拟牛顿法与梯度追踪算法相结合，提出基于拟牛顿法的梯度追踪算法；引入线性搜索步长，提出快速不动点持续算法；结合正交匹配追踪算法筛选原子的准确性和压缩采样匹配追踪算法的回溯性，提出基于广义逆的分段迭代匹配追踪算法；采用小波高频子带变换，提出模糊裁剪阈值稀疏度自适应匹配追踪算法。(3)基于鲁棒压缩感知的多聚焦图像融合方面：在融合阶段，提出自适应局部能量测度融合准则对观测向量进行融合；在重构阶段，提出快速持续线性增广Lagrangian法重构稀疏系数，进而提出一种有效的基于鲁棒压缩感知的多聚焦图像融合与重构装置。(4)基于全变分方法的图像去噪和图像分割方面：基于Meridian分布和全变分的统计特性，提出一种全变分模型来复原含alpha稳态噪声的图像；基于Cauchy分布和全变分的统计特性，提出一种新的两阶段全变分模型来对Cauchy噪声环境下的模糊图像进行分割。(5) 基于低秩稀疏分解的目标检测方面：将非凸非光滑加权核范数用来近似低秩矩阵，提出一种新的非凸非光滑低秩稀疏分解模型；利用结构化稀疏范数对前景进行约束，并把稀疏部分看成是由动态背景与前景组成，提出了一种新的低秩稀疏分解模型。