基于双背景帧的监控视频编码研究

发布时间：2020-10-26 20:38

　　 视频监控系统是现代数字视频技术的一个新的应用,是视频技术和互联网技术不断发展过程中经过融合而成的信息系统。随着社会发展,视频监控系统的应用逐步深入各行各业,在交通、公共安全和大数据分析等领域都起着重要的作用。但是,随之产生的海量监控视频数据给存储和传输都带来了极大的挑战。相比于传统的自然视频图像,监控视频具有背景相对固定的特点,大量的背景信息造成了背景冗余。传统的视频编码标准已经难以满足监控视频对压缩率的需求。因此,监控视频编码的研究成为了目前国内外的研究热点之一。针对监控视频具有稳定背景的特点,进行了基于背景预测的监控视频编码研究,研究内容主要包括:第一,利用监控视频中存在固定场景的特点,提出了基于动态背景模型的监控视频编码方案。该方案构建背景图像并将其作为长期参考帧加入预测编码过程,从而提高编码效率。首先,提出了基于编码块分类的动态背景模型,该模型使用视频序列第一帧初始化背景图像,并在更新过程中对每一编码块进行判断,将属于背景区域的块用于背景帧的更新。为了提高背景更新的准确性,提出了基于编码块划分的背景优化算法,该算法将固定大小的编码块进行划分,使用不同大小的块进行背景更新。最终,在HEVC编码框架下实现了基于背景预测的编码方案。实验结果表明,相比于标准HEVC,此方案在监控视频序列上提高了2.51%的编码效率。第二,为了得到更高质量的背景帧,提出了基于双背景帧的监控视频编码算法。该方案主要思想是使用视频序列的原始输入图像训练得到原始背景帧,将原始背景帧编码后用于监控视频编码过程。传统的背景帧编码方案多是基于帧内编码进行的,导致在提高背景帧质量的同时也带来了大量的码率增加。双背景帧编码方案使用重建背景帧对原始背景帧进行预测编码,并选择较小的量化参数以提高背景帧的质量。实验结果表明,双背景帧编码方案在保证背景帧质量的情况下减少了编码背景帧的代价,同时,相比于HM14.0,监控视频的压缩率提升了28.21%。
【学位单位】：北京工业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TN948.6;TN919.81
【部分图文】：

(a) 序列第 1 帧 (b) 序列第 n 帧图 1-1 会议监控视频序列Figure 1-1 Conference video sequence(a) 序列第 1 帧 (b) 序列第 n 帧图 1-2 交通监控视频序列Figure 1-2 Traffic video sequence对于监控视频，如何通过消除背景冗余以提高编码效率无疑是一个值得研究的问题 考虑到前景物体的遮挡，某一图像中的背景区域可能很难在其参考帧中找到相似参考 但由于监控视频中的背景是相对稳定的，利用背景建模算法可以

(a) 序列第 1 帧 (b) 序列第 n 帧图 1-2 交通监控视频序列Figure 1-2 Traffic video sequence对于监控视频，如何通过消除背景冗余以提高编码效率无疑是一个值得研究的问题 考虑到前景物体的遮挡，某一图像中的背景区域可能很难在其参考帧中找到相似参考 但由于监控视频中的背景是相对稳定的，利用背景建模算法可以得到背景图像，进而当前帧的背景区域可直接在背景帧中匹配到更好的预测参考 因此，基于背景模型的预测编码可有效地减少背景冗余带来的影响，从而提高监控视频的压缩率 在基于背景模型的预测编码中所面对的主要问题有：用什么样的背景模型构建背景图像 如何编码背景帧以及如何将背景帧高效地用于预测编码过程 本课题将基于 HEVCτHighEfficiencyVideoCodingυ的编码框架，使用背景帧预测编码的方法来解决监控视频中的背景冗余问题，并进一步深入研究高效的背景模型以及背景帧的压缩方案

图 1-3 H.264/AVC 编码框架Figure 1-3 Coding framework of H.264/AVCHEVC 作为新一代编码标准，是对 H.264/AVC 的缺陷和问题进行不断优化所发展而来的 一方面，HEVC 支持更高分辨率的视频，另一方面也改进了并行处理的模式 相比于 H.264/AVC，HEVC 在编码性能上提高了 50%左右，为人们提供了更高清 更流畅的视觉体验 基于 HEVC 的编码技术的优化和创新也成为了研究者们关注的焦点 相比于 H.264/AVC，HEVC 编码的高效源于一些革命性的变化[13]-[17]，主要技术内容如下：第一，采用更灵活的编码结构 HEVC 不再使用旧的编码标准中宏块的概念，而是使用了新提出的树形编码单元τCodingTreeUnit，CTUυ结构 这种编码单元的大小通过编码器确定，而且可以进一步划分为多种不同尺寸的结构，最大可达 64×64 HEVC 中的 CTU 可进一步划分为树形编码块τCoding Tree Block，CTBυ，包括一个亮度 CTB 和两个色度 CTB 其大小一般可以是 16×16~64×64，而较大的分块也有利于编码效率的提升 在编码过程中，CTB 将被以四叉树分割
【相似文献】

相关期刊论文 前10条

1 夏荣;吴彬;袁文勤;;监控视频恢复技术研究[J];网络安全技术与应用;2017年02期

2 马元元;李向伟;刘艳飞;;海量监控视频分级摘要生成系统研究[J];现代电子技术;2017年13期

3 王嘉陈;周瑞;凌启尉;倪洋;赵明明;;不同监控视频角度同一姿态的同一性研究[J];科技视界;2016年12期

4 魏聚山;;基于内容的监控视频特征提取和检索技术研究[J];科技展望;2016年24期

5 李子川;;监控视频时间信息调查与分析[J];中国刑警学院学报;2015年02期

6 陈炫波;;方圆合一[J];湖南教育(D版);2017年01期

7 张维;;获奖之后[J];喜剧世界(下半月);2017年01期

8 亦诺;;你是将军,他是兵[J];女子世界;2017年02期

9 郑欢欢;薛朝玉;;“大学生‘飞踹’女童事件”作文导写[J];高中生学习(作文素材);2017年Z2期

10 谢素军;;你必须是那个凶手[J];微型小说选刊;2014年06期

相关博士学位论文 前8条

1 费风长;监控视频中人群异常事件检测方法的研究[D];江西财经大学;2018年

2 高立青;治安监控视频大数据中的行人行为识别方法[D];大连理工大学;2017年

3 张贤国;基于背景模型的监控视频编码研究[D];北京大学;2013年

4 马浚诚;面向叶部病害识别的设施蔬菜监控视频关键帧提取方法研究[D];中国农业大学;2016年

5 朱烽;跨视域摄像头网络下的监控视频结构化与检索[D];中国科学技术大学;2017年

6 聂婕;人体生理活动监控视频中的关键事件检测[D];中国海洋大学;2011年

7 王亦民;面向监控视频的行人重识别技术研究[D];武汉大学;2014年

8 张兴国;地理场景协同的多摄像机目标跟踪研究[D];南京师范大学;2014年

相关硕士学位论文 前10条

1 崔鑫鑫;基于稀疏组合学习的监控视频异常检测技术研究[D];北京工业大学;2018年

2 李浩然;基于双背景帧的监控视频编码研究[D];北京工业大学;2018年

3 刘李启明;监控视频异常事件检测方法研究[D];杭州电子科技大学;2018年

4 李文博;面向监控视频的视觉增强和行为分析研究[D];中国科学技术大学;2018年

5 胡飞;监控视频中目标检测与追踪算法的应用研究[D];吉林大学;2018年

6 武琦;监控视频中低分辨率人脸识别研究与应用[D];长安大学;2018年

7 李振;基于Hadoop集群的监控视频中人—车多目标并行检测与跟踪算法研究[D];云南师范大学;2018年

8 何华门;基于监控视频的行人再识别算法研究[D];哈尔滨工业大学;2018年

9 许锦婷;基于监控视频的人物检测与跟踪技术研究[D];南京航空航天大学;2018年

10 陈宁宁;监控视频信息特征的存储及其索引方法研究[D];武汉理工大学;2017年

本文编号：2857500