交通视频作为智能交通系统的重要组成部分有着广泛的应用,不断产生的庞大交通视频数据,给交通视频的存储带来不小的挑战,如何对交通视频进行压缩就成为一个重要的研究课题。当前交通视频的压缩仍采用传统的基于统计的编码压缩方式,而未能充分利用交通视频的特点对其进行压缩。交通视频具有背景稳定、敏感区域明确、图像纹理复杂等特点,并且交通视频监控通常安装在户外,交通视频图像会受到户外光照变化、天气变化的影响。如何充分利用交通视频的特点,研究出适合交通视频特点的压缩方法就成为重要的研究课题。压缩感知理论为交通视频的压缩提供了一种有益的思路。由于交通视频具有很大的空间冗余和时间冗余,针对这些特点,采用压缩感知理论就可以有效地对交通视频进行观测压缩。根据以上思路,本文对基于压缩感知的交通视频压缩方法进行了研究,所做的具体工作如下:(1)在理解压缩感知理论和相关定理的基础上,重点研究了基于K-SVD算法的交通图像压缩感知重建,针对K-SVD算法时间复杂度高、重构图像质量一般的缺点,本文提出一种基于小波树变迭代次数K-SVD算法。仿真实验结果表明,基于小波树变迭代次数K-SVD算法与原K-SVD算法相比,PSNR值提高2dB左右,算法运行时间降低了15%左右。(2)交通视频预处理是交通视频压缩编码框架设计的基础。在预处理部分,首先对交通视频进行背景建模,背景提取采用混合高斯模型,与均值法相比,所提取的背景更干净清晰;其次对视频进行背景更新,本文使用一种基于分块分类的背景更新方法,在此背景更新算法中,采用三帧差分法获得差分图像,自适应迭代阈值方法确定分类所需的阈值,并用所提取的背景,得到更新背景。第三,对交通视频进行场景分类,对交通视频场景的昼夜进行判断,并对夜间图像进行增强。最后,为提高视频压缩率及视频质量,本文提出一种变采样率计算模型:根据分块压缩感知理论,采用拟合经验函数的变采样率算法,并在此基础上描述一种适用于图像组(Group of Picture,GOP)的变采样率观测压缩过程。(3)设计出一种基于压缩感知的交通视频编码框架,并仿真验证此框架对视频的压缩性能及可用性。