[发明专利]一种压缩视频张量信号采集与重构系统及方法

说明书

本发明提供了一种压缩视频张量信号采集与重构系统及方法，包括：结构化稀疏张量字典学习模块、张量传感模块和重构处理模块，其中：结构化稀疏张量字典学习模块首先利用子空间聚类的方法得到训练集，然后利用张量子空间学习方法以及基于块相关最小化的块稀疏张量字典学习方法得到字典，张量传感模块对视频张量信号以图像张量块的形式进行投影，所得的数据最后在重构处理模块中被解码重构。本发明提供压缩采样的同时还契合了视频采样过程的分布式渐进式的结构，对结构化稀疏字典矩阵的特殊构造也提升了重构的精确度和效率，提高了视频信号的采样效率，在不同的采样压缩率下相比其他方法取得了重构增益，同时也具备良好的可扩展性。

技术领域

本发明涉及一种视频信号处理技术领域，具体是一种压缩视频张量信号采集与重构系统及方法。

背景技术

作为智能信息时代的主要载体，图像、视频等高维多媒体信号为人们的工作生活提供主要的信息内容，并占据越来越高的比重。视频信号的采集和编码(压缩)对于视频的存储和传输等应用至关重要。在这种传统的框架下，针对高维信号，特别是视频信号的压缩编码方案一直在发展。然而由臃肿的传统框架导致的信息冗余这个核心问题依然没有得到根本解决。而解决这个问题，需要突破传统框架中先采样后压缩的限制。为了进一步提高视频信号的采集效率，在采样的同时加入了一些信号处理技术，通过减少要采样的测量数量，可减轻视频编码器的负担。在解码器端，可采用基于稀疏表示的有效重构方法保证视频信号的恢复质量。

经过对现有技术的文献检索发现，S.Friedland与Q.Li等人在2014年的《IEEETransactions on Image Processing》(TIP)期刊上发表的“Compressive Sensingof Sparse Tensors”一文中提出了基于单张量子空间的信号采样理论，该理论给出了对于处在单张量子空间的张量信号采样所要满足的唯一性和稳定性的条件，但是该理论所假设的子空间集是由固定基张成的，不能提供更加有效的稀疏性和适应性。Y.Li和H.Xiong在2016年的《IEEE Data Compression Conference》(IEEE DCC)会议上发表的“CompressiveTensor Sampling with Structured Sparsity”一文中提出了基于数据驱动张量子空间集模型将压缩传感应用到视频采样上来，该方法在采样编码端直接对视频张量信号进行压缩采样，在解码端使用UoTS基作为稀疏基对张量信号进行重构，这种方法可以灵活有效地对张量信号进行稀疏表示以保证重构获得的视频的主观质量，但这种方法所使用的UoTS基没有考虑各张量个子空间之间的重叠性，表现在块间的相关性高以至不能得到结构紧凑的块稀疏性，进而导致效果降低。

这些不足促使我们在其基础上去寻找一种更加有效灵活地稀疏张量基去进行重构，充分利用视频信号张量块的特殊结构来提高重构结果的主客观质量。

发明内容

本发明针对现有技术的不足，提供了一种压缩视频张量信号采集与重构系统及方法，可以有效提高视频信号采集效率以及重构系统的主客观质量，并可作为一种通用的视频采集工具。

本发明是通过以下技术方案实现的：

根据本发明的第一方面，提供一种压缩视频张量信号采集与重构系统，包括：结构化稀疏张量字典学习模块、张量传感模块和重构处理模块，其中：

所述结构化稀疏张量字典学习模块对视频信号关键帧块，利用结构化稀疏张量字典学习方法生成对应的结构化稀疏张量基矩阵，并将所述稀疏张量基矩阵输出到重构处理模块；

所述张量传感模块对视频信号的非关键帧以张量块的形式进行投影，得到张量测量值，并将所述张量测量值输出到重构处理模块；

所述重构处理模块接收所述结构化稀疏张量字典学习模块输出的结构化稀疏张量基矩阵与所述张量传感模块输出的张量测量值，对视频张量信号进行重构。