摘 要： 針對快速場景變換環境中基于壓縮感知的分布式視頻編碼所存在的問題，提出了一種基于自適應動態分組與壓縮感知的分布式視頻編碼方法。對采集的視頻幀在基本分組的基礎上插入一個自適應分組分離器，通過設定門限閾值實現能夠根據視頻場景變換的動態調整分組。實驗表明，與基本分組方法重構效果相比，采用自適應動態分組方法的重構效果有了較大改進，其峰值信噪比也有大大改善和提高，有效地解決了視頻幀中場景變化較快造成的關鍵信息邊緣紋理損失的問題。
關鍵詞： 多媒體傳感器網絡；分布式視頻編碼；壓縮感知；圖像組
分布式視頻編碼[1-2]DVC（Distributed Video Coding）是多媒體視頻傳感器網絡[3-4]MVSN（Multimedia Video Sensor Networks）中視頻信號處理常用的一種技術。由于受到帶寬和能耗等條件的限制，為了使編碼端（多媒體視頻傳感器節點）對視頻信息的編碼復雜度降低，傳統的基于奈奎斯特采樣定理的視頻編碼標準并不適用于多媒體傳感器網絡的低成本、低能耗的要求。近年來信號與信息領域的研究熱點壓縮感知[5-6]CS（Compressive Sensing）技術的出現，由于其以全新的采樣技術進行采樣，實現了采樣和壓縮同時進行，大大減少了采樣率，從而降低了編碼端的運算復雜度。Guillemot C[7]等人提出一種分布式視頻編碼方法來解決視頻信號的編碼問題，利用分布式視頻編碼大大降低了編碼端的運算復雜度，實現了編碼端的簡單、低功率的要求。但這種方法還是采用的傳統的奈奎斯特采樣，其采集的海量數據使得性能并不高，如果應用到MVSN中將使得編碼復雜度極高，實用性差。周燕[8]等人提出把壓縮感知CS應用到MVSN的視頻信息處理中，減少視頻信號稀疏分解過程的計算量和存儲量，但遺憾的是未采用DVC技術，所以重構幀的峰值信噪比（PSNR）不高，效果不佳。Pereira F[9]等人提出一種基于CS的分布式視頻編碼框架，這種方法具有兩大優點：（1）在信號的稀疏處理上，利用每一幀對首幀的差值，得到稀疏視頻信號，再利用CS低壓縮采用率進行采樣處理，最后恢復的視頻信號效果得到改善；（2）使CS幀在低采樣率的情況下也可以良好地恢復重構。然而其缺點也十分明顯，一旦視頻信號中場景變化較快，其重構視頻幀的效果將大打折扣。汪瀅[10]提出了一種基于基本圖像組GOP（Group of Picture）和壓縮感知的分布式視頻編碼，即把所有采集幀進行GOP分組，然后再對每一個GOP組分別進行處理，從而在一定程度上改善了重構效果，具有一定的場景變換適用性，然而不足之處是分組顯得單調固定，不具備靈活變換性。針對以上問題，本文在研究總結前人所做工作的基礎上，提出并實現了一種新穎的自適應動態圖像組分組的CS分布式視頻編碼方法，這種方法首先繼承了基本分組法的優點，同時避免了基本分組法造成的組數固定、不靈活的缺點，通過設定門限閾值T來實現自適應動態調整圖像組分組的目的。實驗仿真表明：（1）重構后的峰值信噪比（PSNR）得到大大改善和提高，重構效果非常良好；（2）具有場景變化的適用性。
1 基于自適應動態圖像分組的CS分布式視頻處理機制
本文首先介紹Pereira F[9]等人提出的基于差值處理的CS分布式視頻編碼方法（差值法），以及汪瀅[10]的基本圖像組和壓縮感知的分布式視頻編碼方法（基本分組法），最后提出一種自適應分組的CS分布式視頻編碼方法（動態分組法），并與上面兩種方法對比證明所提出的動態分組法的優勢。
1.1 差值法與基本分組法
圖1所示為基于差值法處理的CS分布式視頻編碼框架，在這種框架下，首先對第1幀x1標定為關鍵幀（KEY幀），即基本層。第2幀到最后一幀（x1，…，xj）標定為WZ幀，然后再對采集的視頻幀從第2幀開始，每幀都對第1幀進行作差值處理，其產生的差值（Δx1，…，Δxj）也叫做增強層，同時采用CS技術對數據進行壓縮編碼處理，在恢復端對首幀基本層采用傳統的CS重構技術，對增強層采用聯合稀疏解碼（JSM-1）模型[11]進行重構。最后再進行簡單疊加運算即可得到重構視頻信號。
圖2所示為基本圖像組分組的原理及框架結構，其基本流程是：首先對原始視頻信號進行固定GOP分組，然后再對每一個GOP組分別進行處理，對每一GOP組的幀圖像的處理方法采用上面介紹的差值法進行處理，最后再對每一個GOP分組的幀信息進行合并疊加得到總體的重構視頻信號。可以看出，用這種基本分組方法得到的每一個GOP，其所含有的視頻幀數相對固定，即每一分組的視頻幀數相等，因此還是沒有實現真正意義上的根據視頻場景變換的動態調整GOP分組的目的。
1.2 動態分組法
針對第1.1節基本分組法所造成的GOP組數固定、不靈活的缺點，提出了一種自適應動態圖像分組法，簡稱為動態分組法。圖3所示為所提出的基于自適應分組和壓縮感知的分布式視頻編碼框架圖，與基本分組方法相比，在基本分組的基礎上插入一個自適應分組分離器，目的是為了真正意義上實現能夠根據視頻場景變換的動態調整GOP分組的目的。
對每一幀視頻信號，首先從橫向看，使用差值法隨著視頻幀數增大，PSNR值逐漸下降，效果比較差。比較基本分組法和動態分組法，（1）首先從分組上進行比較，由于設置的GOP=5，所以基本分組每一個GOP就比較固定，自始至終都以5個一組劃分開來，從而在分組上單調呆板，不具有靈活性，而所提出的動態分組法在分組上就顯得動態靈活了很多；（2）再從重構效果（PSNR）上進行比較，雖然少數幾個點的PSNR相同外，動態分組法整體效果的PSNR值要明顯高于基本方法的整體效果的PSNR值，尤其在WZ幀上，動態分組的主要目的就是改善WZ幀的重構效果。
差值方法模糊化了圖像的重要關鍵信息，所以重構出來的效果就很差，foreman序列是人物表情變化（即場景變化）比較大序列，所以差值法和基本分組方法整體重構效果不理想，因此證明了所提出的動態分組方法具有良好的場景變化適應性。
從主觀評價上來看，由于第30幀圖像恰好為WZ幀，比較用上面敘述的三種不同的方法對第30幀進行重構，得到的峰值信噪比PSNR值，如表1所示，可以看出所提出動態分組方法的優勢，其PSNR遠遠大于前兩種。再比較圖像的紋理視覺效果，如圖5所示。
從圖5中可以看出，（d）幀圖像的圖像紋理均比（b）、（c）好。首先與（b）比較，可以發現（b）圖像中效果特別差，里面的關鍵人物幾乎不見了，這樣就失去了圖像的重要信息了；再與（c）比較，發現（c）圖像中人物邊緣出現白斑，由于人物是不斷運動的，具有動態特征，而基本分組并不具備這種動態特性，所以最后重構的效果會比較差；從（d）中可以看出采用本文所提出的基于自適應分組方法所重構的視頻幀（d）圖像的效果良好，人物也清晰可見，邊緣紋理也比較理想。同樣測試hall序列等也有類似的效果。
利用本文提出的基于自適應分組與壓縮感知的分布式視頻編碼方法，重構后的視頻幀整體效果良好，峰值信噪比大大改善，能夠適用于視頻場景變化劇烈的場合。門限閾值的選擇是本文自適應算法的關鍵，本文中采用的是簡單但行之有效的求列向量均值的方法設置門限閾值，下一步的研究方向可以針對具體的應用場景在自適應算法復雜性和重構效率之間權衡，選擇其他智能算法來優化閾值，進而達到更完善的分組目的。
參考文獻
[1] GIROD B， AARON A， RANE S. Distributed video coding[J]. Proceedings of the IEEE Special Issue on Advances in Video Coding and Delivery， 2005， 93（1）：71-83.
[2] 王尊亮，李學俊.分布式視頻編碼技術研究進展[J].計算機工程與設計， 2010， 31（3）： 31-34.
[3] 魯琴.無線多媒體傳感器網絡多節點協同圖像采集與壓縮技術研究[D].北京：國防科學技術大學，2009.
[4] http：//www.eefocus.com/article/07-12/4155121112071731.html.
[5] GUILLEMOT C. Distributed monoview and multiview video coding： basics， problems and recent advances[J]. IEEE Signal Processing Magazine， 2007， 24（5）： 67-76.
[6] DONOHO D. Compressed sensing[J]. IEEE Transactions on Information Theory， 2006， 52（4）： 1289-1306.
[7] CAND?魪S E， WAKIN M. A sensing paradigm that goes against the common knowledge in data acquisition[J]. IEEE Signal Processing Magazine， 2008， 25（2）： 21-30.
[8] 周燕，王東，鐘勇.壓縮傳感在無線視頻監控中的應用研究[J].計算機應用研究， 2010，27（6）： 73-75.
[9] PEREIRA F. Selecting the most promising application scenarios[J]. Signal Processing： Image Communication， 2008， 23（9）：339-352.
[10] 汪瀅.壓縮感知在視頻編碼中的應用研究[D].北京：北京郵電大學，2010.
[11] 蔡述庭，王欽若.視頻傳感網中魯棒多視角分布式視頻編碼[J].計算機工程，2009，35（24）：219-221.
[12] http：//trace.eas.asu.edu/yuv/