[发明专利]一种用于压缩感知后视频数据流的前景和背景恢复方法

说明书

本发明属于视频信息处理以及图像处理技术领域，具体的说是一种用于压缩感知后视频数据流的前景和背景恢复方法。本发明采用迭代恢复的方式，采用线性估计器对低秩矩阵和稀疏矩阵同时进行估计，分别获得两个矩阵的估计值以及估计误差，分别采用稀疏矩阵估计器和低秩矩阵估计器，进一步获得稀疏矩阵的估计值和低秩矩阵的估计值，再将获得的估计值反馈回线性估计器，迭代估计直至输出收敛，从而分别获得恢复的前景和背景。本发明的有益效果为，解决了压缩感知后得到的视频数据流的前景和背景的分离问题。

技术领域

本发明属于视频信息处理以及图像处理技术领域，具体的说是一种用于压缩感知后视频数据流的前景和背景恢复方法。

背景技术

工业监控摄像头，移动设备的摄像头，运动相机等设备每天都在产生大量的图像和视频数据。出于设备成本、移动性要求、尺寸限制、电池容量等方面的考虑，这些图像以及视频传感设备在获取图像、视频数据后需要对数据进行压缩存储或传输。这种先感知在压缩数据的处理方式需要在感知和压缩数据的两个步骤中均消耗能量，同时占用更多的存储空间。压缩感知技术的提出解决了这个问题。压缩感知利用了测量信号的稀疏结构性质，达到了信息的感知和压缩两个步骤的结合。通过压缩感知技术获取的信号需要通过现有的一些压缩感知算法进行解压缩从而恢复出原有信号。

由于存在以下几个问题，压缩感知技术的提出并没有能够大规模的进行应用：1.实际测量的信号大部分是非稀疏的，2.测量信号容易被突发噪声干扰，3.压缩感知传感器硬件的普及。最后一个问题的解决需要硬件行业的发展，前两个问题则可以通过更好的算法和技术方法来解决。

除了压缩感知技术提出之初引入的稀疏性概念，低秩性质也是一种很重要的数据性质。自然界中许多信号都可以用低秩模型来建模，比如视频流。由于每一帧视频图像之间存在极大的相关性，视频流可以建模成低秩的矩阵数据。由于视频帧之间的区别，导致了前景和背景的区别。前景物体的变化使得整个数据的低秩建模不准确。由于前景的变化一般比较集中且相对于背景数据量少，因此可以建模成稀疏的信号。基于这样的想法，健壮性主成分分析被提出并被应用于低秩和稀疏信号的分离。

由于视频数据的每一帧图像之间具有显著的相关性以及差异性，视频流数据可以被建模成地址矩阵与稀疏矩阵的叠加数据。基于这种方法，对无压缩的视频流数据，基于健壮性主成分分析的方法来有效的恢复视频的前景与背景。但对于基于压缩感知技术的传感器，由于压缩测量的原因，这种方法失去了其有效性。

发明内容

本发明的目的，就是针对上述问题，提供一种用于解决压缩感知后得到的视频数据流的前景和背景的分离问题的方法。

本发明所采用的技术方案为：

一种用于压缩感知后视频数据流的前景和背景恢复方法，其特征在于，包括以下步骤：

S1、初始化：

对未压缩的视频流数据，将其建模成低秩和稀疏矩阵的混合，即：

X＝L+S

其中，L代表低秩矩阵，即视频流中的背景，S表示稀疏矩阵，即每一帧变化的前景图像，X则是完整的视频流数据；

在压缩操作后，传感器观测到的数据为y＝F(X)+n，其中F是压缩操作，n是测量噪声，服从均值为0，方差为σ²的高斯分布；

基于信息传播方法提出了前后背景恢复方法

S2、采用线性估计器A对低秩矩阵和稀疏矩阵同时进行估计，分别获得两个矩阵的估计值以及估计误差，具体为：

获得稀疏矩阵的估计值为：

其中，是线性估计器对S的估计，M是y操作符A操作后输出的维度，N是矩阵X的行列数之积，是线性估计器对L的估计；