动态场景的压缩采集
计算机视觉与模式识别
2013-06-27 v2
摘要
压缩感知（CS）是一种用于稀疏信号和图像采集与恢复的新方法，能够实现显著低于经典奈奎斯特速率的采样率。尽管 CS 的理论与方法取得了显著进展，但在压缩视频采集与恢复方面进展甚微。动态事件的短暂性使得视频 CS 变得复杂，导致标准 CS 成像架构和信号模型的直接扩展变得困难。在本文中，我们为动态纹理场景的视频 CS 开发了一个新框架，将场景的演化建模为线性动力系统（LDS）。这将视频恢复问题简化为首先从压缩测量中估计 LDS 的模型参数，然后重建图像帧。我们利用 LDS 的低维动态参数（状态序列）和高维静态参数（观测矩阵），设计了一种新颖的压缩测量策略，该策略在每一时刻仅测量场景的动态部分，并随时间累积测量值以估计静态参数。这使我们能够显著降低压缩测量率。我们通过一系列实验验证了我们的方法，涉及视频恢复、高光谱数据感知以及从压缩数据中对动态场景进行分类。这些应用共同证明了该方法的有效性。
引用
@article{arxiv.1201.4895,
title = {Compressive Acquisition of Dynamic Scenes},
author = {Aswin C Sankaranarayanan and Pavan K Turaga and Rama Chellappa and Richard G Baraniuk},
journal= {arXiv preprint arXiv:1201.4895},
year = {2013}
}