0 引言

    早期交通視頻的分類(lèi)方法^[1]是使用車(chē)輛分割或目標(biāo)跟蹤技術(shù)的方法進(jìn)行判別分類(lèi)，但是由于這種方法計(jì)算量較為復(fù)雜且對(duì)視頻分辨率有較高的要求,，所以不適合多目標(biāo)情況下的分類(lèi)應(yīng)用,。Saisan等人提出一種基于動(dòng)態(tài)紋理模型參數(shù)間距離的識(shí)別方法,，這種方法不需要提取局部特征,，而是將圖像序列看作是一個(gè)二階平穩(wěn)隨機(jī)過(guò)程,。基于此,，Antoni在文獻(xiàn)[2]中提出了基于動(dòng)態(tài)紋理模型的交通視頻分類(lèi)方法,，對(duì)已知的交通圖像序列進(jìn)行模型參數(shù)化，根據(jù)模型參數(shù)計(jì)算各模型間Martin距離^[3]實(shí)現(xiàn)對(duì)交通視頻的檢索和分類(lèi),。然而,，由于視頻數(shù)據(jù)的動(dòng)態(tài)短暫性，使得對(duì)傳統(tǒng)采樣方法的采樣率的要求隨之變高,，且采樣獲得的視頻數(shù)據(jù)量大,，不便于儲(chǔ)存。近年來(lái),，高速發(fā)展的壓縮技術(shù)很好地解決了這一問(wèn)題,。壓縮感知^[4]是美國(guó)科研學(xué)者Donoho提出的一種新的采樣方法，即當(dāng)信號(hào)為稀疏或可稀疏信號(hào)時(shí),，能夠通過(guò)獲得的隨機(jī)采樣少量數(shù)據(jù)實(shí)現(xiàn)對(duì)原始信號(hào)的精確重構(gòu),。該文方法在視頻傳統(tǒng)分類(lèi)方法的基礎(chǔ)上結(jié)合了壓縮采樣技術(shù)，首先,，對(duì)每幀圖像用統(tǒng)一壓縮測(cè)量矩陣進(jìn)行觀(guān)測(cè),，利用得到的測(cè)量數(shù)據(jù)通過(guò)奇異值分解的方法估計(jì)出模型的動(dòng)態(tài)參數(shù)；其次,，使用一個(gè)時(shí)變的測(cè)量矩陣對(duì)每幀圖像進(jìn)行測(cè)量,，由于得到測(cè)量數(shù)據(jù)之間的不相關(guān)性質(zhì)，結(jié)合已估計(jì)得到的模型動(dòng)態(tài)參數(shù),，通過(guò)求解一個(gè)凸優(yōu)化問(wèn)題估計(jì)出系統(tǒng)模型的靜態(tài)參數(shù),；最后，通過(guò)壓縮測(cè)量數(shù)據(jù)直接得到的模型參數(shù)進(jìn)行模式判別,，從而實(shí)現(xiàn)低采樣率下的交通視頻分類(lèi),。

1 動(dòng)態(tài)紋理模型與距離度量

1.1 線(xiàn)性動(dòng)態(tài)系統(tǒng)

    線(xiàn)性動(dòng)態(tài)系統(tǒng)（LDS）模型是Soatto等人^[5]提出的用來(lái)描述動(dòng)態(tài)紋理變化特征的模型，其主要目的是通過(guò)建立一個(gè)數(shù)學(xué)模型來(lái)描述一個(gè)物理系統(tǒng)的動(dòng)態(tài)特征,，圖像序列的動(dòng)態(tài)紋理模型可定義如下：

1.2 Martin距離

    將動(dòng)態(tài)紋理的模型參數(shù)A,、C組成一個(gè)新的變量M=(A，C),，并生成一個(gè)拓展的觀(guān)測(cè)矩陣,，如下所示：

其中θ_i表示拓展觀(guān)測(cè)矩陣O_n(M₁)和O_n(M₂)之間的第i個(gè)主角。馬氏距離的大小代表了兩個(gè)紋理模型之間的相似程度,，通過(guò)計(jì)算馬氏距離能夠?qū)煌ㄒ曨l進(jìn)行分類(lèi),，其分類(lèi)框架如圖1所示。

2 視頻壓縮感知與模型參數(shù)估計(jì)

2.1 視頻壓縮感知

其中z_t,、Φ_t,、y_t分別表示t時(shí)刻的壓縮測(cè)量值,、測(cè)量矩陣以及原始視頻幀。式(9)是一個(gè)凸優(yōu)化規(guī)劃問(wèn)題,，當(dāng)y_t為稀疏信號(hào)時(shí),，使用L1-Minimization算法求其最優(yōu)解就能夠精確恢復(fù)原始視頻幀，即少量的隨機(jī)采樣數(shù)據(jù)已經(jīng)包含了原始視頻幀的足夠信息,?；诖耍疚慕Y(jié)合視頻壓縮感知技術(shù),，對(duì)交通視頻信號(hào)進(jìn)行壓縮采樣,，從少量采樣數(shù)據(jù)中直接估計(jì)模型參數(shù)，實(shí)現(xiàn)交通視頻的分類(lèi)(2.2節(jié)將作詳細(xì)討論),，降低了硬件系統(tǒng)編碼端的結(jié)構(gòu)復(fù)雜度,。其分類(lèi)框架如圖2所示。

2.2 模型參數(shù)估計(jì)

2.2.1 狀態(tài)轉(zhuǎn)移矩陣的估計(jì)

3 實(shí)驗(yàn)結(jié)果與分析

    本文從網(wǎng)站^[8]下載得到交通視頻樣本數(shù)據(jù)庫(kù),，數(shù)據(jù)庫(kù)是由西雅圖高速公路上固定相機(jī)拍攝的254個(gè)視頻數(shù)據(jù)組成,，數(shù)據(jù)庫(kù)中考慮了多種天氣條件(下雨、晴天,、陰天)下的交通視頻數(shù)據(jù),為了更方便有效地進(jìn)行實(shí)驗(yàn)測(cè)試,，本文將下載得到視頻數(shù)據(jù)庫(kù)中的視頻數(shù)據(jù)進(jìn)行像素修剪，將每個(gè)視頻數(shù)據(jù)體素變?yōu)?4×64×40的灰度數(shù)據(jù),。為了證明本文方法能夠有效估計(jì)出交通視頻信號(hào)的動(dòng)態(tài)紋理模型參數(shù),，本文選取編號(hào)為“cctv052x2004080516x01638”的交通視頻序列作為實(shí)驗(yàn)樣本，通過(guò)本文提出的方法對(duì)視頻序列進(jìn)行參數(shù)估計(jì),，其中本文方法參數(shù)設(shè)置如下：d=10,，comp=5，稀疏基選擇為小波基,，其中comp表示壓縮采樣比,，仿真得到如圖5的實(shí)驗(yàn)結(jié)果圖，其中圖(a)為原始交通視頻序列,，圖(b)為根據(jù)本文方法（CS-DTC）估計(jì)得到模型參數(shù)恢復(fù)的交通視頻序列,。

    通過(guò)上面的實(shí)驗(yàn)結(jié)果可知，本方法能有效估計(jì)出交通視頻序列的模型參數(shù)A,、C,。為了更為直觀(guān)看出本文方法對(duì)交通視頻有較好的分類(lèi)效果，對(duì)通過(guò)下載得到的254個(gè)視頻樣本進(jìn)行分類(lèi)測(cè)試,，視頻庫(kù)已經(jīng)通過(guò)人工標(biāo)記,，其中包含44個(gè)重度（heavy）交通視頻（車(chē)流量較大，車(chē)流速度緩慢或停止）、45個(gè)中度（medium）交通視頻（車(chē)流量一般,，車(chē)流程減速運(yùn)動(dòng)）,、165個(gè)輕度（light）交通視頻樣本（車(chē)輛量較少，車(chē)流程勻速運(yùn)動(dòng)）,。本文將75%的數(shù)據(jù)作為實(shí)驗(yàn)的訓(xùn)練樣本,，25%的數(shù)據(jù)作為測(cè)試視頻樣本,，本文方法設(shè)置參數(shù)：采樣壓縮比comp分別取2,、5、10,，繪制多條曲線(xiàn),，并通過(guò)本文方法計(jì)算得到模型參數(shù)，采用馬氏距離為度量對(duì)測(cè)試樣本進(jìn)行分類(lèi),，仿真結(jié)果見(jiàn)圖6,，其中橫坐標(biāo)為拓展觀(guān)測(cè)矩陣O_n(M)的參數(shù)n， 縱坐標(biāo)表示分類(lèi)正確率,。從圖6中可以看出,，當(dāng)壓縮比comp小于5時(shí)，本文方法在降低采樣率的同時(shí)不會(huì)明顯影響交通視頻的識(shí)別率,，而隨著壓縮比的繼續(xù)增大,，由于大幅降低了圖像序列的采樣率數(shù)目，本文方法在識(shí)別率上整體低于傳統(tǒng)全采樣方法,。

    本文通過(guò)更改狀態(tài)向量維數(shù)d的大小,，比較傳統(tǒng)方法和本文方法對(duì)交通視頻數(shù)據(jù)的識(shí)別正確率，其中本文方法的參數(shù)設(shè)置為：仿真結(jié)果比較如表1所示,。從表1中可以看出,，狀態(tài)向量的維數(shù)大小也會(huì)影響分類(lèi)的正確性，狀態(tài)向量維數(shù)過(guò)小,，其攜帶的信息量也少,，會(huì)影響分類(lèi)的正確率；反之狀態(tài)向量維數(shù)過(guò)大,，在攜帶不必要信息的同時(shí)也會(huì)增大計(jì)算的復(fù)雜度,，所以在實(shí)際應(yīng)用過(guò)程中應(yīng)該合適地選擇狀態(tài)向量維數(shù)d的值，以獲得更好的分類(lèi)效果,。

    為了直觀(guān)有效地看出本文方法能夠有效降低采樣率,，并且不明顯影響分類(lèi)效果，本文選擇合適的仿真參數(shù)：通過(guò)調(diào)整不同采樣壓縮比comp下估計(jì)出模型參數(shù)分別進(jìn)行試驗(yàn)比較,，試驗(yàn)結(jié)果如表2所示,。從試驗(yàn)結(jié)果可以看出，本文方法在較低的采樣率下依然能夠有不錯(cuò)的分類(lèi)效果,。

4 結(jié)論

    該文根據(jù)交通視頻信號(hào)的紋理模型特性,，在估計(jì)模型參數(shù)的過(guò)程中引入了壓縮感知技術(shù),，通過(guò)壓縮采樣得到少量的測(cè)量值，由少量的測(cè)量值直接估計(jì)出紋理模型參數(shù),，根據(jù)模型參數(shù)對(duì)交通視頻數(shù)據(jù)進(jìn)行計(jì)算分類(lèi),。實(shí)驗(yàn)結(jié)果表明，相比于傳統(tǒng)方法,，本文方法不僅能夠在非常低的采樣率下較為準(zhǔn)確地估計(jì)出模型參數(shù),，且整個(gè)識(shí)別過(guò)程都不需要對(duì)視頻信號(hào)進(jìn)行重構(gòu)，為預(yù)報(bào)和緩解交通擁堵現(xiàn)象提供了有利的條件,，本文方法在視頻紋理識(shí)別的其他領(lǐng)域也有著非常廣泛的應(yīng)用前景,。

參考文獻(xiàn)

[1] JUNG Y K，LEE K W,，HO Y S.Content-based event retrieval using semantic scene interpretation for automated traffic surveillance[J].IEEE Transactions on Intelligent Transportation Systems,，2001，2(3)：151-163.

[2] CHAN A B,，VASCONCELOS N.Classification and retrieval of traffic video using auto-regressive stochastic processes[C].Intelligent Vehicles Symposium.Proceedings.IEEE,，2005：771-776.

[3] MARTIN R J.A metric for ARMA processes[J].IEEE Transactions on Signal Processing，2000,，48(4)：1164-1170.

[4] QAISAR S,，BILAL R M，IQBAL W,，et al.Compressive sensing：From theory to applications,，a survey[J].Communications and Networks，Journal of,，2013,，15(5)：443-456.

[5] SOATTO S，DORETTO G,，WU Y N.Dynamic textures[C].Proceedings of IEEE International Conference on Computer Vision.Vancouver,，IEEE Press，British Columbia,，Canada：2001,，2：439-446.

[6] DE COCK K，DE MOOR B L R.Subspace angles between linear stochastic models[C].IEEE Conference on Decision and Control.Sydney,，NSW.2000,，2：1561-1566.

[7] STANKOVIC V，STANKOVIC L,，CHENG S.(2009) Compressive video sampling[C].Proceedings of the 16th IEEE International Conference on Image Processing.IEEE,，2009：3001-3004.

[8] VISAL.Highway traffic dataset[DB/OL].http：//visal.cs.cityu.edu.hk/downloads.

[9] SANKARANARAYANAN A C，TURAGA P K，CHELLAPPA R,，et al.Compressive acquisition of linear dynamical systems[J].SIAM Journal on Imaging Sciences,，2013，6(4)：2109-2133.