[论文解读] Adaptive-Rate Sparse Signal Reconstruction With Application in Compressive Background Subtraction

João F. C. Mota, Nikos Deligiannis+3 more|arXiv (Cornell University)|Mar 11, 2015

Sparse and Compressive Sensing Techniques参考文献 35被引用 4

一句话总结

该论文提出了一种自适应速率的稀疏信号重建算法，可在每个时间步动态调整测量次数，以实现对时变稀疏信号的在线重建。该方法利用递归的 $β$-正则化 $¹$-最小化，并结合 $¹$-$¹$ 最小化的理论保证，与固定速率方案相比，显著减少了测量次数，尤其在压缩视频背景减除任务中，有效降低了测量负载，同时保持了高精度。

ABSTRACT

We propose and analyze an online algorithm for reconstructing a sequence of signals from a limited number of linear measurements. The signals are assumed sparse, with unknown support, and evolve over time according to a generic nonlinear dynamical model. Our algorithm, based on recent theoretical results for $\ell_1$-$\ell_1$ minimization, is recursive and computes the number of measurements to be taken at each time on-the-fly. As an example, we apply the algorithm to compressive video background subtraction, a problem that can be stated as follows: given a set of measurements of a sequence of images with a static background, simultaneously reconstruct each image while separating its foreground from the background. The performance of our method is illustrated on sequences of real images: we observe that it allows a dramatic reduction in the number of measurements with respect to state-of-the-art compressive background subtraction schemes.

研究动机与目标

• 开发一种在线递归算法，从有限的线性测量中重建具有未知且时变支撑的稀疏信号序列。
• 在确保每个信号在序列中完美重建的前提下，最小化每个时间步所需的测量次数。
• 利用时间动态特性与历史重建结果，进一步降低测量负载，超越固定速率压缩感知方法。
• 将该方法应用于压缩视频背景减除，实现在分离静态背景的同时，高效重建前景物体。

提出的方法

• 该算法使用带有 $²$ 正则化的递归 $¹$-最小化方法，从测量值 $y[k] = A_k x[k]$ 中重建每个信号 $x[k]$，并引入先前的信号估计以提高精度。
• 它在每个时间步 $k$ 动态计算测量次数 $m_k$，基于估计的稀疏度与信号动态特性，最小化测量使用量而不牺牲重建质量。
• 该方法利用 $¹$-$¹$ 最小化的理论结果，确保在感知矩阵与信号稀疏度满足特定条件时实现完美重建。
• 通过依赖历史信号的一般非线性动力学映射 $f_k$ 建模信号演化，使算法能够适应复杂的时间行为。
• 该算法整合历史重建结果与噪声估计，以优化测量选择，减少对交叉验证或固定速率假设的依赖。
• 理论分析采用霍夫丁不等式（Hoeffding’s inequality）来界定重建失败的概率，确保在噪声与不确定性下的鲁棒性。

实验结果

研究问题

• RQ1 能否设计一种在线算法，动态调整每个时间步的测量次数，在确保稀疏信号完美重建的前提下最小化测量使用？
• RQ2 与固定速率压缩感知相比，引入历史信号估计与时间动态特性在多大程度上提升了重建性能？
• RQ3 在自适应测量选择下，面对噪声与未知支撑，完美重建的理论保证是什么？
• RQ4 与最先进的固定速率方法相比，自适应测量选择在压缩视频背景减除中能将测量次数减少多少？
• RQ5 在具有不同前景运动与背景复杂度的真实视频序列中，该算法表现如何？

主要发现

• 所提出的算法在显著少于固定速率方案的测量次数下，实现了稀疏信号的完美重建，尤其在压缩视频背景减除任务中表现突出。
• 该方法通过利用时间相关性与历史重建结果，减少了准确重建所需的测量次数，优于现有自适应与固定速率方法。
• 理论分析表明，重建失败的概率被有界且随信噪比与稀疏度呈指数衰减，确保了鲁棒性。
• 在真实图像序列中，该算法在保持高质量前景重建与背景分离的同时，显著降低了测量负载。
• 基于递归 $¹$-最小化与 $²$ 正则化的动态测量选择策略，实现了无需交叉验证或前景尺寸先验知识的高效在线处理。
• 该算法在真实视频序列上的性能得到验证，表现出测量效率的持续提升，且未牺牲重建保真度。