● 摘要
随着高速公路建设的快速发展，高速公路视频监控成为有效管理高速公路交通秩序、保障交通安全、实现交通事故快速处理的重要手段。传统的数字视频监控模式都是首先用数字摄像头采集特定位置的交通场景，然后再对其进行压缩，以便于后面的传输和存储。在视频压缩过程中，大部分的冗余数据将会被丢弃，这就给我们提出了一个问题：能否直接采集有用的压缩数据，实现采集和压缩的统一。压缩感知（Compressed Sensing，简称CS ）理论为解决这一问题指出了一条可供实现的途径。本文的研究表明将CS理论运用于高速公路视频可以将视频采集和压缩所需的巨大计算量转移至重构端，从而有效减少前端的资源消耗；本文针对高速公路视频图像设计的稀疏性分级、分块测量矩阵对于特定应用的CS测量矩阵设计及关键因素分析具有重要的理论意义。本文研究的主要内容有： 1） 综述了CS理论及应用的研究现状，包括CS概念、可重构约束性条件、测量矩阵设计、相关重构算法以及CS过程的硬件实现方法。2） 针对高速公路视频场景分布特点，研究了其图像序列的帧间数据变化规律，提出一种基于帧差数据空间稀疏性分级的分块CS采样方法，提高了视频压缩的有效性。3） 针对高速公路视频的帧间数据相关性，提出了一种基于稀疏性分级的高速公路视频分块CS重构方法。在保证视频重构质量一致性的条件下，减少了测量数据量，提高了视频传输的压缩比。4） 设计了基于CS的高速公路视频压缩方法验证框架，验证了本文方法的适应性和稳定性。