[发明专利]一种基于双向最佳匹配的分布式视频压缩感知重构方法

说明书

本发明公开了一种基于双向最佳匹配的分布式视频压缩感知重构方法，在多假设(Multiple Hypotheses，MH)预测模型的基础上，由像素块在测量域结构相似性约束双向最佳匹配策略，结合运动对齐估计思想，采用测量域块结构相似性作为失真标准在参考帧中选取出最佳匹配块，在以前、后向最佳匹配块为中心的搜索窗口内逐像素提取视频最优生成矩阵，采用连续帧间结构相似性约束优化双向最佳匹配过程，联合残差补偿重构出非关键帧。本发明能够充分考虑帧间空时运动信息相关性，在相同的采样率下，能够提高重构视频序列帧质量，并且重构时间没有大幅度增加。该方法解决了现有基于多假设预测模型重构过程中未充分考虑视频帧间空时运动信息稀疏相关性的问题。

技术领域

本发明涉及一种基于双向最佳匹配的分布式视频压缩感知重构方法，属于视频图像处理技术领域。

背景技术

目前，信息社会正朝着数字化、网络化和智能化方向快速发展，采用视频传感构建的无线传感器网络来实现现场实时视频感知的应用需求日益增加。由于视频信号复杂，信号传输过程流量大，并且通信资源有限，所以使得视频图像通信面临较大的挑战。当下，引起较多关注的是分布式视频压缩感知(DistributedCompressive VideoSensing，DCVS)编码方式，它结合了分布式视频编码(Distributed Video Coding，DVC)与压缩感知(Compressive Sensing，CS)，充分利用了两者的优点，非常适用于资源受限制的通信传输场合。

在DCVS系统中，现有大多数重构算法的主要思想是以前一帧图像作为参考图像，通过挖掘并利用当前图像与参考图像间的相关性信息，对当前图像进行CS重建。目前的CS视频重构策略可分为3类：逐帧独立重构、立体重构和预测—残差重构。逐帧独立重构独立地复原单帧，并未利用时间相关性，导致率失真性能较差；立体重构利用3维(3—Dimensional,3D)变换域稀疏性或视频低秩性作为先验知识，可获得较高的率失真性能，但需要巨大的计算复杂度；预测-残差重构首先利用时间相关性对当前帧作出预测，然后利用图像CS重构算法重构出预测帧与原始帧之间的残差。相比于逐帧独立重建和立体重构策略，预测-残差重构权衡了他们之间的优缺点，能够以适中的复杂度得到良好的率失真性能，因而获得广泛关注。在预测-残差重构方法中，边信息预估精度对于重建质量的影响不可忽视，所以提高预估质量是确保视频重构质量的关键。Mun和Fowler借鉴分布式视频编码框架中边信息的生成方法，基于运动估计/运动补偿的残差重建方案。Do等人基于系数稀疏性假设，提出基于帧间相关性的预测模型，利用已重建帧中的时域相邻块线性表示当前重建帧中的图像块，该方法仅考虑了采用相邻关键帧对当前图像组中的非关键帧进行双向预测的重建结构，当GOP增大时，重建质量会有明显下降。在此基础上，Tramel和Fowler提出基于多重假设(MH)预估模型。其中，基于多假设的边信息预估算法假设待预估的宏块可以利用已经重构好的若干参考帧对应领域内的多个宏块进行稀疏表示，但MH预测模型没有充分考虑视频帧间空时运动信息稀疏相关性的问题。

发明内容

本发明目的在于提出了一种基于双向最佳匹配的分布式视频压缩感知重构方法，该方法解决了现有基于多假设预测模型重构过程中未充分考虑视频帧间空时运动信息相关性的问题。本发明在多假设预测模型的基础上，由像素块在测量域结构相似性约束双向最佳匹配策略，结合运动对齐估计思想，采用测量域自适应块结构相似性作为失真标准在参考帧中选取出双向最佳匹配块，在以前、后向最佳匹配块为中心的搜索窗口内逐像素提取视频最优生成矩阵，采用连续帧间结构相似性约束优化双向最佳匹配过程，联合残差补偿重构出非关键帧。在相同的采样率下，能够提高重构视频序列帧质量，并且重构时间没有大幅度增加。为分布式视频压缩进一步提高视频重构质量、满足实时要求提供了可能。

本发明解决其技术问题所采取的技术方法是：

1.一种基于双向最佳匹配的分布式视频压缩感知重构方法，该方法具体步骤如下：