[发明专利]基于深度压缩感知网络的无线视频组播方法

说明书

本发明基于深度压缩感知网络的无线视频组播方法属于无线视频传输领域，解决了现阶段视频无线传输质量低、速度慢的问题，具体方法为：包括发送端和接收端。发送端：读入视频序列，将视频序列每帧分成33×33的块，经随机高斯观测阵观测，量化观测值，进入高斯白噪声信道(AWGN)，发送到接收端。接收端：将接收到的信号进行线性最小二乘估计(LLSE)去噪，去噪后观测值作为已训练深度压缩感知网络模型的输入，进行重构。

技术领域

本发明属于视频传输方法领域，特别是涉及一种基于深度压缩感知网络的无线视频组播方法。

背景技术

当前，随着无线网络和多媒体技术的飞速发展，各种广播和组播视频服务(如移动电视、新闻广播、多媒体共享)得到快速发展，这必然要求实时可靠的无线视频传输。在无线组播应用环境中，所有用户面对同一发送信源但不同用户面临不同无线信道环境，表现出明显的带宽及信道异构性，造成传统传输方法不能很好满足异构性视频服务要求。压缩感知是一种新的信号处理方法，所产生的观测值之间没有结构性区分，即每个观测值对整个信号的重构没有重要性区分，这种特性使压缩感知在无线视频组播中具有巨大的应用空间。

近几年，基于压缩感知的无线视频组播被逐渐使用。在压缩感知理论中，恢复质量与接收数据量成正比，而这恰巧是视频组播需求。Markus等人提出基于压缩感知的视频组播，编码端采用基于块的观测，打包发送到信道，解码端用视频帧间相关性恢复原始视频。Chen等人提出了基于分布式压缩感知的视频组播(DCS-cast)，DCS-Cast编码端将视频序列每帧分成B×B的非重叠块独立编码，采用相同随机高斯观测阵观测，并将观测值进行块交织打包发送入AWGN信道；在解码端，每个用户根据其接收数据包数量解封装，然后用线性最小二乘估计(LLSE)去噪和MC-BCS-SPL算法恢复。

近几年，深度学习被广泛用于图像和视频处理，如图像分类，物体检测，图像识别，图像和视频重建等。Kulkarni等人提出了一种新颖的卷积神经网络架构，该架构将图像压缩感知观测值作为输入然后输出中间重构并呈现非迭代，提供了极快的重构算法；Yao等人提出了一种由线性映射网络和残差网络组成的深度重构网络，线性映射网络获得初步重建图像，残差网络推断真实图像与初步重建图像之间残差以获得最终重建。Shi等人提出了一种直接学习压缩感知观测值与目标图像之间端到端映射的卷积神经网络，具有良好的重构质量，且重构速度较快。然而，现有文献综述表明，目前还没有利用深度学习和压缩感知进行视频组播的研究。

发明内容

本发明旨在克服现有技术不足，解决了现阶段视频无线传输质量低、速度慢的问题，提供一种基于深度压缩感知网络的无线视频组播方法，本发明结合压缩感知和深度学习，针对每个丢包率训练对应的深度压缩感知网络模型，提高视频恢复质量与速度。

为解决上述技术问题，本发明采用的技术方案为：基于深度压缩感知网络的无线视频组播方法，其操作方法为：

Ⅰ.发送端，包括下列步骤：

1)读入视频序列；

2)将视频序列每帧分成33×33的块，经随机高斯观测阵观测；

3)量化观测值；

4)进入高斯白噪声信道(AWGN)，发送到接收端；

Ⅱ.接收端，包括下列步骤：

1)将接收到的信号进行LLSE去噪，LLSE去噪算法如公式(1)所示：

y_LLSE＝Λ_y·(Λ_y+∑)^-1·y_noise 公式(1)

其中，Λ_y是发送端观测值的协方差矩阵，∑是信道噪声n的协方差：∑＝E[n·n^T]，y_LLSE是经LLSE去噪后的观测值；