压缩感知理论作为一种新的采样理论可以突破奈奎斯特采样定理的限制,同时实现信号的采样与压缩。由于压缩感知采样量、采样频率和存储成本的下降使得其成为国内外众多学者研究的热点,并被广泛地应用到场景监控、目标跟踪等领域。重建算法是压缩感知理论的关键所在,因此,研究有效的压缩感知视频序列重构算法具有重要的理论意义和实用价值。针对现有基于自回归(Autoregressive,AR)模型的视频序列重构算法中存在重构时间长且重构精度不理想的问题,改进了一种基于AR模型的当前帧预估算法,并结合残差补偿技术形成一套完整的压缩感知视频序列重构方案AR-RRCS(Autoregressive-Residual Reconstruction based on Compressed Sensing)。论文主要研究内容和成果如下:(1)首先对预估对象进行了改进。先寻求视频帧测量值之间的高度相关性,并以此为依据,利用AR模型先对压缩后的当前帧测量值进行预估得到测量值的预估值;然后,再将其作为正则项加入到最优化算法中得到当前帧的最初预估值。避免了传统方法中直接对未压缩前的数据进行预估所带来的数据量大的问题。此方法可以缩短预估时间,从而为提升整个算法的重构速度。(2)其次对预估的方法进行了改进。首先,将GOP内和当前帧相邻的关键帧和若干非关键帧测量值作为原始数据集,通过最小二乘法实现AR系数的确定;其次,以AR余项的方差和最终预测误差(Final Prediction Error,FPE)函数作为准则函数以确定AR阶数;最后,将GOP内与当前帧测量值最为相似的若干测量值作为AR支撑域。AR系数、AR阶数以及AR支撑域三者确定后即可实现当前帧测量值的预估。该方法主要以线性运算为主,并且充分考虑到了视频帧间相关性,因此重构效果和时间都有所改善。(3)经验证,残差补偿能使视频重构取得较好的效果。首先,寻求当前帧与其预估值的残差;接着,对残差进行测量,并通过压缩感知重构算法实现残差重构;最后,将重构残差与预估值相加,最终实现当前帧的重构。论文以相邻帧测量值作为参考,充分挖掘了视频序列中的相关性。因此利用少量的测量值信息就能预估出当前帧,避免了传统方法如运动估计、运动补偿给编码端带来的复杂计算。经实验验证,与同类算法相比,论文改进的重构算法能在保证重构精度的情况下缩短一部分重构时间。