压缩感知将对数据的采样和压缩一步完成,极高的压缩效率和简单的操作使其特别适合于处理编码端资源受限场景下的多媒体视频数据,基于压缩感知的视频方案取得了大量的研究成果,其中基于多假设预测技术的方案以其极高的重构质量成为研究的热点。本文主要研究低采样率条件下视频的快速高质量重构技术,提出了基于假设集合优化技术的分布式压缩视频感知(DCVS)方案。该方案通过对假设集合进行优化,并且对待求解的约束优化问题和混合预测判断表达式进行改进,使得视频数据在低采样率条件下的重构质量和重构速度相对于现有的多假设方案都得到了提升。其中,1)对假设集合的优化主要通过假设集合选优技术和假设集合优化更新技术实现:低采样率条件下通过假设集合选优技术精简假设集合,减少运算量,提升低采样率条件下的重构速度和重构质量;通过假设集合优化更新技术对原假设集合进行优化升级,提高高采样率条件下的重构质量;2)对原有的混合假设判断方案通过测量值平均的方式进行改进,使其在固定阈值T条件下,实现混合假设预测模式在不同采样率下地自适应判断;3)对于待求解的约束优化问题,将1和2范数约束结合,并根据距离向量对两项同时进行加权,形成自适应距离加权弹性网惩罚项,避免了单一采用1或2范数约束带来的不足。仿真结果表明,在低采样率条件下,采用本文提出的基于假设集合优化技术的DCVS方案相对于未采用这些技术的原多假设方案,重构速度和重构质量都得到了提升,验证了本文所提方案的有效性。