胡曉莉，郭繼昌

一種隱私保護(hù)的監(jiān)控視頻目標(biāo)跟蹤系統(tǒng)

胡曉莉，郭繼昌

(天津大學(xué)電子信息工程學(xué)院，天津 300072)

對(duì)現(xiàn)有基于壓縮感知的視頻目標(biāo)跟蹤系統(tǒng)進(jìn)行改進(jìn)，提出一種可實(shí)現(xiàn)隱私保護(hù)的監(jiān)控視頻目標(biāo)跟蹤系統(tǒng)。在編碼端采用結(jié)構(gòu)化隨機(jī)矩陣，以提高隨機(jī)采樣矩陣的生成速度。在解碼端采用GPSR-BB算法，以提高系統(tǒng)抗噪性。利用粒子濾波器算法實(shí)現(xiàn)目標(biāo)跟蹤，減少跟蹤結(jié)果誤差對(duì)壓縮感知恢復(fù)算法準(zhǔn)確性的影響和分析時(shí)間。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)在實(shí)現(xiàn)隱私保護(hù)的同時(shí)，提高了系統(tǒng)對(duì)光照的魯棒性，在室內(nèi)外光照條件下均能準(zhǔn)確跟蹤目標(biāo)。與BP和Lasso方法相比，分別可節(jié)約30.3%和51.6%的處理時(shí)間。

壓縮感知；目標(biāo)跟蹤；粒子濾波；結(jié)構(gòu)化隨機(jī)矩陣；梯度投影；基追蹤

1 概述

近年來，視頻監(jiān)控越來越廣泛地應(yīng)用到社會(huì)各個(gè)領(lǐng)域。通常的視頻監(jiān)控系統(tǒng)是一種即時(shí)顯示及記錄系統(tǒng)，相關(guān)人員可以隨時(shí)查看監(jiān)控視頻或錄像內(nèi)容。然而在一些特殊的應(yīng)用場(chǎng)合中，希望視頻內(nèi)容保密，以免視頻被非法使用或觀看。對(duì)于這種要求，目前常用的方法是編碼端先對(duì)視頻流進(jìn)行壓縮并加密，之后在安全的處理中心進(jìn)行解密并解壓縮，然后進(jìn)行視頻分析及其他處理。

針對(duì)監(jiān)控系統(tǒng)中的隱私保護(hù)問題，研究人員提出了一些解決方案。例如，文獻(xiàn)[1]在實(shí)現(xiàn)對(duì)監(jiān)控范圍內(nèi)的人數(shù)統(tǒng)計(jì)時(shí)，不需要個(gè)人的詳細(xì)圖像信息，因此，可以丟棄部分?jǐn)?shù)據(jù)，只需依據(jù)運(yùn)動(dòng)方向?qū)θ巳哼M(jìn)行分割并提取特征，再用高斯過程估計(jì)人數(shù)即可，但這種方法會(huì)造成采樣資源的浪費(fèi)。文獻(xiàn)[2]提出一種保護(hù)隱私的方法，它通過擾亂視頻序列中感興趣區(qū)域的變換域系數(shù)來達(dá)到目的，然而這種擾亂是以偽隨機(jī)序列為基礎(chǔ)的，一旦得到密鑰就能夠完全恢復(fù)場(chǎng)景。文獻(xiàn)[3]提出了一種基于壓縮感知的目標(biāo)跟蹤框架，簡化了編碼端，能夠保護(hù)隱私，但執(zhí)行效率較低，還有可能發(fā)生誤差傳播。

本文提出一種改進(jìn)的基于壓縮感知的隱私保護(hù)視頻監(jiān)控系統(tǒng)框架，通過在編碼端先對(duì)視頻幀圖像進(jìn)行預(yù)處理，使系統(tǒng)對(duì)光照變化更具魯棒性；利用壓縮感知理論對(duì)信號(hào)采樣方式的特殊性，實(shí)現(xiàn)對(duì)視頻數(shù)據(jù)邊采樣邊壓縮，同時(shí)利用其隨機(jī)采樣的特性達(dá)到隱私保護(hù)的目的[4]?？蚣茉O(shè)計(jì)中主要針對(duì)視頻目標(biāo)跟蹤這一基礎(chǔ)內(nèi)容的實(shí)現(xiàn)展開研究，針對(duì)運(yùn)動(dòng)目標(biāo)跟蹤只關(guān)注目標(biāo)位置的需求，只對(duì)前景圖像進(jìn)行操作，在保護(hù)隱私的同時(shí)，節(jié)省傳輸帶寬和解碼端的存儲(chǔ)資源，避免誤差傳播，并同時(shí)提高速度。

2 壓縮感知理論

3 基于壓縮感知的視頻目標(biāo)跟蹤系統(tǒng)框架

圖1 本文系統(tǒng)框架

3.1 同態(tài)濾波

同態(tài)濾波是把頻域?yàn)V波和灰度變換結(jié)合起來的一種圖像處理方法，它依靠圖像的照度/反射率模型作為頻域處理的基礎(chǔ)，利用壓縮亮度范圍和增強(qiáng)對(duì)比度來改善圖像的質(zhì)量，達(dá)到顯示陰影區(qū)細(xì)節(jié)的目的，其處理框圖如圖2所示。

圖2 同態(tài)濾波處理框圖

3.2 隨機(jī)投影

目前常用的觀測(cè)矩陣有隨機(jī)高斯/伯努利矩陣或其子矩陣[17]，它們的主要優(yōu)點(diǎn)是與任意稀疏信號(hào)都不相干，精確恢復(fù)所需觀測(cè)值數(shù)目最少。但該類矩陣需要大量緩存來存儲(chǔ)其矩陣元素，且由于其完全松散的結(jié)構(gòu)導(dǎo)致計(jì)算復(fù)雜度很大。另一類觀測(cè)矩陣是由任意正交矩陣的隨機(jī)抽取行構(gòu)成[18]，也叫部分傅里葉矩陣，它利用了FFT快速計(jì)算的特點(diǎn)，減少了采樣系統(tǒng)的復(fù)雜度。然而該矩陣只與時(shí)域稀疏的信號(hào)不相干，限制了其應(yīng)用[19]。這里使用結(jié)構(gòu)化隨機(jī)矩陣(SRM)作為觀測(cè)矩陣，它是上述2種矩陣的有效結(jié)合，對(duì)于多種稀疏信號(hào)都適用，精確恢復(fù)需要的觀測(cè)值數(shù)目近似最佳，且該矩陣基于塊處理和線性濾波，具有低復(fù)雜度并能夠快速計(jì)算，可進(jìn)一步簡化編碼端。

結(jié)構(gòu)化隨機(jī)矩陣由三部分組成[10]：首先對(duì)信號(hào)做預(yù)隨機(jī)化的矩陣，之后對(duì)其做塊變換的矩陣，及最后下采樣得到觀測(cè)值的矩陣?？梢詫懗梢韵滦问剑?/p>

4 仿真實(shí)驗(yàn)

應(yīng)用hall monitor和outdoors 2個(gè)視頻測(cè)試以上系統(tǒng)的性能，2個(gè)視頻的拍攝環(huán)境一個(gè)室內(nèi)一個(gè)室外，光照條件及目標(biāo)大小都不相同。實(shí)驗(yàn)結(jié)果顯示，本文方法對(duì)2段視頻都能夠較為準(zhǔn)確、快速地對(duì)前景目標(biāo)進(jìn)行跟蹤。計(jì)算PSNR值的公式如下：

圖3是hall monitor視頻第35幀的實(shí)驗(yàn)結(jié)果。其中，圖3(e)表示跟蹤效果在塊平均后的視頻中的顯示(實(shí)際中應(yīng)該在圖3(d)中顯示，此處為方便比對(duì))，細(xì)框顯示了由圖3(c)直接得到的限位框，粗框顯示了本文方法得到的限位框，點(diǎn)代表選取的粒子估計(jì)的限位框的中心位置。由于第35幀剛出現(xiàn)運(yùn)動(dòng)目標(biāo)，前景圖像中的前景不明顯，直接得到的限位框不準(zhǔn)確，而本文方法充分利用恢復(fù)的前景圖像，限位框的大小、位置都很準(zhǔn)確。

圖3 hall monitor視頻第35幀的跟蹤結(jié)果

圖4是outdoors視頻部分第170幀的實(shí)驗(yàn)結(jié)果，可以看出，本文方法同樣適用于室外背景有擾動(dòng)，且運(yùn)動(dòng)目標(biāo)較小并與背景灰度值接近的情況，跟蹤和恢復(fù)的結(jié)果很好。以上結(jié)果可以看出，本文系統(tǒng)在跟蹤目標(biāo)的同時(shí)不會(huì)暴露詳細(xì)信息，實(shí)現(xiàn)了隱私保護(hù)。

圖4 outdoors視頻第170幀的跟蹤結(jié)果

對(duì)比傳統(tǒng)的用高斯隨機(jī)矩陣作為觀測(cè)矩陣，且用跟蹤結(jié)果計(jì)算加權(quán)并恢復(fù)圖像的2種方法(BP方法[9]和Lasso方法[12])，如表1所示，可以看出本文方法速度最快，雖然PSNR值略低但也不影響正確跟蹤，而且處理時(shí)間的減少更適用于應(yīng)用。

表1 跟蹤性能比較

5 結(jié)束語

本文對(duì)基于壓縮感知的視頻目標(biāo)跟蹤系統(tǒng)進(jìn)行改進(jìn)，在編碼端先對(duì)視頻進(jìn)行預(yù)處理，以減少光照和噪聲等對(duì)后續(xù)處理的影響，在解碼端不對(duì)恢復(fù)算法計(jì)算加權(quán)，避免了誤差傳播，并用SRM作為觀測(cè)矩陣、GPSR-BB作為恢復(fù)算法，提高了系統(tǒng)的處理速度，進(jìn)一步簡化了編碼端，且跟蹤的準(zhǔn)確率較高。由于只需要對(duì)目標(biāo)位置進(jìn)行跟蹤，本文系統(tǒng)不需要對(duì)原有完整視頻進(jìn)行恢復(fù)，減少了解碼端資源的開支，同時(shí)進(jìn)一步保護(hù)了隱私。實(shí)驗(yàn)結(jié)果證明，本文系統(tǒng)適用于多種視頻目標(biāo)跟蹤的情況，對(duì)于復(fù)雜的監(jiān)控場(chǎng)景有一定的魯棒性，且處理速度的加快使得其更實(shí)用。然而該系統(tǒng)的PSNR值略低，這有待在恢復(fù)算法方面改進(jìn)。今后將擴(kuò)展系統(tǒng)功能，實(shí)現(xiàn)多目標(biāo)跟蹤，以及通過特征匹配實(shí)現(xiàn)跟蹤特定的目標(biāo)等。在編碼端可以在背景減除算法方面做研究，以得到更準(zhǔn)確的前景圖像。

[1] Chan A B, John Z, Vasconcelos L N. Privacy Preserving Crowd Monitoring: Counting People Without People Models or Tracking[C]//Proc. of IEEE Conference on Computer Vision and Pattern Recognition. Anchorage, USA: IEEE Press, 2008: 1-7.

[2] Dufaux F, Ouaret M, Abdeljaoued Y, et al. Privacy Enabling Technology for Video Surveillance[C]//Proc. of Defense and Security Symposium. [S. l.]: International Society for Optics and Photonics, 2006: 1-5.

[3] Cossalter M, Tagliasacchi M, Valenzise G. Privacy-enabled Object Tracking in Video Sequences Using Compressive Sensing[C]//Proc. of International Conference on Advanced Video and Signal Based Surveillance. Genova, Italy: [s. n.], 2009: 12-15.

[4] Abdulghani A M, Rodriguez-Villegas E. Compressive Sensing: From “Compressing while Sampling” to “Compressing and Securing While Sampling”[C]//Proc. of the 32nd Annual International Conference of EMBS. Buenos Aires, Argentina: IEEE Press, 2010: 1127-1130.

[5] Candes E. Compressive Sampling[C]//Proc. of International Congress of Mathematicians. Madrid, Spain: [s. n.], 2006: 1433-1452.

[6] Donoho D L. Compressed Sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4): 1289-1306.

[7] Baraniuk R, Davenport M, DeVore R, et al. A Simple Proof of the Restricted Isometry Property for Random Matrices[J]. Constructive Approximation, 2008, 28(3): 253-263.

[8] Cossalter M, Valenzise G, Tagliasacchi M, et al. Joint Com- pressive Video Coding and Analysis[J]. IEEE Transactions on Multimedia, 2010, 12(3): 168-183.

[9] 郭巖松, 楊愛萍, 侯正信, 等. 壓縮感知目標(biāo)跟蹤[J]. 計(jì)算機(jī)工程與應(yīng)用, 2011, 47(32): 4-6.

[10]Do T. Practical Algorithms for Compressive Sensing and Their Applications to Multimedia Processing[D]. Baltimore, USA: Johns Hopkins University, 2010.

[11] Cevher V, Sankaranarayanan A, Duarte M, et al. Compressive Sensing for Background Subtraction[C]//Proc. of European Conference on Computer Vision. Marseille, France: [s. n.], 2008: 155-168.

[12]Figueiredo M A T, Nowak R D, Wright S J. Gradient Projec- tion for Sparse Reconstruction: Application to Compressed Sensing and Other Inverse Problems[J]. IEEE Journal of Selected Topics in Signal Processing, 2007, 1(4): 586-597.

[13] Arulampalam M S, Maskell S, Gordon N. A Tutorial on Part-icle Filter for Online Nonlinear/Non-Gaussian Bayesian Tracking[J]. IEEE Transactions on Signal Processing, 2002, 50(2): 172-188.

[14] 夏利民, 張良春. 基于自適應(yīng)粒子濾波器的物體跟蹤[J]. 中國圖象圖形學(xué)報(bào), 2009, 14(1): 112-117.

[15] Ristic B, Arulampalam S, Gordon N. Beyond the Kalman Filter: Particle Filters for Tracking Applications[M]. Norwood, UK: Artech House, 2004.

[16] 焦竹青, 徐保國. HSV 變換和同態(tài)濾波的彩色圖像光照補(bǔ)償[J]. 計(jì)算機(jī)工程與應(yīng)用, 2010, 46(30): 142-144.

[17] Mendelson S, Pajor A, Tomczak-Jaegermann N. Uniform Uncertainty Principle for Bernoulli and Subgaussian En- sembles[J]. Constructive Approximation, 2008, 28(3): 277- 289.

[18] Cand`es E, Romberg J. Sparsity and Incoherence in Compressive Sampling[J]. Inverse Problems, 2007, 23(3): 969-985.

[19] Do T T, Tran T D, Gan Lu. Fast Compressive Sampling with Structurally Random Matrices[C]//Proc. of IEEE International Conference on Acoustics, Speech and Signal Processing. [S. l.]: Springer, 2008: 3369-3372.

編輯 金胡考

A Privacy-preserving Surveillance Video Object Tracking System

HU Xiao-li, GUO Ji-chang

(School of Electronic Information Engineering, Tianjin University, Tianjin 300072, China)

The proposed system of privacy-enabled object tracking is improved based on the primary one. After using the structurally random matrices at the encoder, the generation speed of random sampling matrix is improved. After using fast methods such as GPSR-BB in reconstruction and particle filtering in analysis at the decoder, the noise resistance of system is improved. It uses particle filtering algorithm for target tracking, reduces the tracking results error influence on compression perception recovery algorithm accuracy, as well as the time needed for analysis steps. Experimental result shows that the proposed framework enables the privacy in tracking and at the same time increases the robustness to illumination condition. It also avoids the error of tracking results affecting the accuracy of CS reconstruction algorithm, which is faster than the original one and the performance of tracking is excellent. The process time of this system is saved 30.3% and 51.6% of the BP and Lasso method.

compressive sensing; object tracking; particle filtering; structured random matrices; gradient projection; basis pursuit

1000-3428(2014)03-0283-04

A

TN919.8

高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金資助項(xiàng)目(20120032110034)。

胡曉莉(1989－)，女，碩士研究生，主研方向：圖像及視頻處理；郭繼昌，教授、博士。

2013-01-14

2013-03-20 E-mail：xiaolihu@tju.edu.cn

10.3969/j.issn.1000-3428.2014.03.060