一种隐私保护的监控视频目标跟踪系统

胡晓莉，郭继昌

一种隐私保护的监控视频目标跟踪系统

胡晓莉，郭继昌

(天津大学电子信息工程学院，天津 300072)

对现有基于压缩感知的视频目标跟踪系统进行改进，提出一种可实现隐私保护的监控视频目标跟踪系统。在编码端采用结构化随机矩阵，以提高随机采样矩阵的生成速度。在解码端采用GPSR-BB算法，以提高系统抗噪性。利用粒子滤波器算法实现目标跟踪，减少跟踪结果误差对压缩感知恢复算法准确性的影响和分析时间。实验结果表明，该系统在实现隐私保护的同时，提高了系统对光照的鲁棒性，在室内外光照条件下均能准确跟踪目标。与BP和Lasso方法相比，分别可节约30.3%和51.6%的处理时间。

压缩感知；目标跟踪；粒子滤波；结构化随机矩阵；梯度投影；基追踪

1 概述

近年来，视频监控越来越广泛地应用到社会各个领域。通常的视频监控系统是一种即时显示及记录系统，相关人员可以随时查看监控视频或录像内容。然而在一些特殊的应用场合中，希望视频内容保密，以免视频被非法使用或观看。对于这种要求，目前常用的方法是编码端先对视频流进行压缩并加密，之后在安全的处理中心进行解密并解压缩，然后进行视频分析及其他处理。

针对监控系统中的隐私保护问题，研究人员提出了一些解决方案。例如，文献[1]在实现对监控范围内的人数统计时，不需要个人的详细图像信息，因此，可以丢弃部分数据，只需依据运动方向对人群进行分割并提取特征，再用高斯过程估计人数即可，但这种方法会造成采样资源的浪费。文献[2]提出一种保护隐私的方法，它通过扰乱视频序列中感兴趣区域的变换域系数来达到目的，然而这种扰乱是以伪随机序列为基础的，一旦得到密钥就能够完全恢复场景。文献[3]提出了一种基于压缩感知的目标跟踪框架，简化了编码端，能够保护隐私，但执行效率较低，还有可能发生误差传播。

本文提出一种改进的基于压缩感知的隐私保护视频监控系统框架，通过在编码端先对视频帧图像进行预处理，使系统对光照变化更具鲁棒性；利用压缩感知理论对信号采样方式的特殊性，实现对视频数据边采样边压缩，同时利用其随机采样的特性达到隐私保护的目的[4]。框架设计中主要针对视频目标跟踪这一基础内容的实现展开研究，针对运动目标跟踪只关注目标位置的需求，只对前景图像进行操作，在保护隐私的同时，节省传输带宽和解码端的存储资源，避免误差传播，并同时提高速度。

2 压缩感知理论

3 基于压缩感知的视频目标跟踪系统框架

图1 本文系统框架

3.1 同态滤波

同态滤波是把频域滤波和灰度变换结合起来的一种图像处理方法，它依靠图像的照度/反射率模型作为频域处理的基础，利用压缩亮度范围和增强对比度来改善图像的质量，达到显示阴影区细节的目的，其处理框图如图2所示。

图2 同态滤波处理框图

3.2 随机投影

目前常用的观测矩阵有随机高斯/伯努利矩阵或其子矩阵[17]，它们的主要优点是与任意稀疏信号都不相干，精确恢复所需观测值数目最少。但该类矩阵需要大量缓存来存储其矩阵元素，且由于其完全松散的结构导致计算复杂度很大。另一类观测矩阵是由任意正交矩阵的随机抽取行构成[18]，也叫部分傅里叶矩阵，它利用了FFT快速计算的特点，减少了采样系统的复杂度。然而该矩阵只与时域稀疏的信号不相干，限制了其应用[19]。这里使用结构化随机矩阵(SRM)作为观测矩阵，它是上述2种矩阵的有效结合，对于多种稀疏信号都适用，精确恢复需要的观测值数目近似最佳，且该矩阵基于块处理和线性滤波，具有低复杂度并能够快速计算，可进一步简化编码端。

结构化随机矩阵由三部分组成[10]：首先对信号做预随机化的矩阵，之后对其做块变换的矩阵，及最后下采样得到观测值的矩阵。可以写成以下形式：

4 仿真实验

应用hall monitor和outdoors 2个视频测试以上系统的性能，2个视频的拍摄环境一个室内一个室外，光照条件及目标大小都不相同。实验结果显示，本文方法对2段视频都能够较为准确、快速地对前景目标进行跟踪。计算PSNR值的公式如下：

图3是hall monitor视频第35帧的实验结果。其中，图3(e)表示跟踪效果在块平均后的视频中的显示(实际中应该在图3(d)中显示，此处为方便比对)，细框显示了由图3(c)直接得到的限位框，粗框显示了本文方法得到的限位框，点代表选取的粒子估计的限位框的中心位置。由于第35帧刚出现运动目标，前景图像中的前景不明显，直接得到的限位框不准确，而本文方法充分利用恢复的前景图像，限位框的大小、位置都很准确。

图3 hall monitor视频第35帧的跟踪结果

图4是outdoors视频部分第170帧的实验结果，可以看出，本文方法同样适用于室外背景有扰动，且运动目标较小并与背景灰度值接近的情况，跟踪和恢复的结果很好。以上结果可以看出，本文系统在跟踪目标的同时不会暴露详细信息，实现了隐私保护。

图4 outdoors视频第170帧的跟踪结果

对比传统的用高斯随机矩阵作为观测矩阵，且用跟踪结果计算加权并恢复图像的2种方法(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，虽然PSNR值略低但也不影响正确跟踪，而且处理时间的减少更适用于应用。

表1 跟踪性能比较

5 结束语

本文对基于压缩感知的视频目标跟踪系统进行改进，在编码端先对视频进行预处理，以减少光照和噪声等对后续处理的影响，在解码端不对恢复算法计算加权，避免了误差传播，并用SRM作为观测矩阵、GPSR-BB作为恢复算法，提高了系统的处理速度，进一步简化了编码端，且跟踪的准确率较高。由于只需要对目标位置进行跟踪，本文系统不需要对原有完整视频进行恢复，减少了解码端资源的开支，同时进一步保护了隐私。实验结果证明，本文系统适用于多种视频目标跟踪的情况，对于复杂的监控场景有一定的鲁棒性，且处理速度的加快使得其更实用。然而该系统的PSNR值略低，这有待在恢复算法方面改进。今后将扩展系统功能，实现多目标跟踪，以及通过特征匹配实现跟踪特定的目标等。在编码端可以在背景减除算法方面做研究，以得到更准确的前景图像。

[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] 郭岩松, 杨爱萍, 侯正信, 等. 压缩感知目标跟踪[J]. 计算机工程与应用, 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, 张良春. 基于自适应粒子滤波器的物体跟踪[J]. 中国图象图形学报, 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, 徐保国. HSV 变换和同态滤波的彩色图像光照补偿[J]. 计算机工程与应用, 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.

编辑 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

高等学校博士学科点专项科研基金资助项目(20120032110034)。

胡晓莉(1989－)，女，硕士研究生，主研方向：图像及视频处理；郭继昌，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