0 引言

    早期交通视频的分类方法^[1]是使用车辆分割或目标跟踪技术的方法进行判别分类，但是由于这种方法计算量较为复杂且对视频分辨率有较高的要求，所以不适合多目标情况下的分类应用。Saisan等人提出一种基于动态纹理模型参数间距离的识别方法，这种方法不需要提取局部特征，而是将图像序列看作是一个二阶平稳随机过程。基于此，Antoni在文献[2]中提出了基于动态纹理模型的交通视频分类方法，对已知的交通图像序列进行模型参数化，根据模型参数计算各模型间Martin距离^[3]实现对交通视频的检索和分类。然而，由于视频数据的动态短暂性，使得对传统采样方法的采样率的要求随之变高，且采样获得的视频数据量大，不便于储存。近年来，高速发展的压缩技术很好地解决了这一问题。压缩感知^[4]是美国科研学者Donoho提出的一种新的采样方法，即当信号为稀疏或可稀疏信号时，能够通过获得的随机采样少量数据实现对原始信号的精确重构。该文方法在视频传统分类方法的基础上结合了压缩采样技术，首先，对每帧图像用统一压缩测量矩阵进行观测，利用得到的测量数据通过奇异值分解的方法估计出模型的动态参数；其次，使用一个时变的测量矩阵对每帧图像进行测量，由于得到测量数据之间的不相关性质，结合已估计得到的模型动态参数，通过求解一个凸优化问题估计出系统模型的静态参数；最后，通过压缩测量数据直接得到的模型参数进行模式判别，从而实现低采样率下的交通视频分类。

1 动态纹理模型与距离度量

1.1 线性动态系统

    线性动态系统（LDS）模型是Soatto等人^[5]提出的用来描述动态纹理变化特征的模型，其主要目的是通过建立一个数学模型来描述一个物理系统的动态特征，图像序列的动态纹理模型可定义如下：

1.2 Martin距离

    将动态纹理的模型参数A、C组成一个新的变量M=(A，C)，并生成一个拓展的观测矩阵，如下所示：

其中θ_i表示拓展观测矩阵O_n(M₁)和O_n(M₂)之间的第i个主角。马氏距离的大小代表了两个纹理模型之间的相似程度，通过计算马氏距离能够对交通视频进行分类，其分类框架如图1所示。

2 视频压缩感知与模型参数估计

2.1 视频压缩感知

其中z_t、Φ_t、y_t分别表示t时刻的压缩测量值、测量矩阵以及原始视频帧。式(9)是一个凸优化规划问题，当y_t为稀疏信号时，使用L1-Minimization算法求其最优解就能够精确恢复原始视频帧，即少量的随机采样数据已经包含了原始视频帧的足够信息。基于此，本文结合视频压缩感知技术，对交通视频信号进行压缩采样，从少量采样数据中直接估计模型参数，实现交通视频的分类(2.2节将作详细讨论)，降低了硬件系统编码端的结构复杂度。其分类框架如图2所示。

2.2 模型参数估计

2.2.1 状态转移矩阵的估计

3 实验结果与分析

    本文从网站^[8]下载得到交通视频样本数据库，数据库是由西雅图高速公路上固定相机拍摄的254个视频数据组成，数据库中考虑了多种天气条件(下雨、晴天、阴天)下的交通视频数据,为了更方便有效地进行实验测试，本文将下载得到视频数据库中的视频数据进行像素修剪，将每个视频数据体素变为64×64×40的灰度数据。为了证明本文方法能够有效估计出交通视频信号的动态纹理模型参数，本文选取编号为“cctv052x2004080516x01638”的交通视频序列作为实验样本，通过本文提出的方法对视频序列进行参数估计，其中本文方法参数设置如下：d=10，comp=5，稀疏基选择为小波基，其中comp表示压缩采样比，仿真得到如图5的实验结果图，其中图(a)为原始交通视频序列，图(b)为根据本文方法（CS-DTC）估计得到模型参数恢复的交通视频序列。

    通过上面的实验结果可知，本方法能有效估计出交通视频序列的模型参数A、C。为了更为直观看出本文方法对交通视频有较好的分类效果，对通过下载得到的254个视频样本进行分类测试，视频库已经通过人工标记，其中包含44个重度（heavy）交通视频（车流量较大，车流速度缓慢或停止）、45个中度（medium）交通视频（车流量一般，车流程减速运动）、165个轻度（light）交通视频样本（车辆量较少，车流程匀速运动）。本文将75%的数据作为实验的训练样本，25%的数据作为测试视频样本，本文方法设置参数：采样压缩比comp分别取2、5、10，绘制多条曲线，并通过本文方法计算得到模型参数，采用马氏距离为度量对测试样本进行分类，仿真结果见图6，其中横坐标为拓展观测矩阵O_n(M)的参数n， 纵坐标表示分类正确率。从图6中可以看出，当压缩比comp小于5时，本文方法在降低采样率的同时不会明显影响交通视频的识别率，而随着压缩比的继续增大，由于大幅降低了图像序列的采样率数目，本文方法在识别率上整体低于传统全采样方法。

    本文通过更改状态向量维数d的大小，比较传统方法和本文方法对交通视频数据的识别正确率，其中本文方法的参数设置为：仿真结果比较如表1所示。从表1中可以看出，状态向量的维数大小也会影响分类的正确性，状态向量维数过小，其携带的信息量也少，会影响分类的正确率；反之状态向量维数过大，在携带不必要信息的同时也会增大计算的复杂度，所以在实际应用过程中应该合适地选择状态向量维数d的值，以获得更好的分类效果。

    为了直观有效地看出本文方法能够有效降低采样率，并且不明显影响分类效果，本文选择合适的仿真参数：通过调整不同采样压缩比comp下估计出模型参数分别进行试验比较，试验结果如表2所示。从试验结果可以看出，本文方法在较低的采样率下依然能够有不错的分类效果。

4 结论

    该文根据交通视频信号的纹理模型特性，在估计模型参数的过程中引入了压缩感知技术，通过压缩采样得到少量的测量值，由少量的测量值直接估计出纹理模型参数，根据模型参数对交通视频数据进行计算分类。实验结果表明，相比于传统方法，本文方法不仅能够在非常低的采样率下较为准确地估计出模型参数，且整个识别过程都不需要对视频信号进行重构，为预报和缓解交通拥堵现象提供了有利的条件，本文方法在视频纹理识别的其他领域也有着非常广泛的应用前景。

参考文献

[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.