CN106888024A - 一种基于双向最佳匹配的分布式视频压缩感知重构方法 - Google Patents

Abstract

本发明公开了一种基于双向最佳匹配的分布式视频压缩感知重构方法，在多假设(Multiple Hypotheses，MH)预测模型的基础上，由像素块在测量域结构相似性约束双向最佳匹配策略，结合运动对齐估计思想，采用测量域块结构相似性作为失真标准在参考帧中选取出最佳匹配块，在以前、后向最佳匹配块为中心的搜索窗口内逐像素提取视频最优生成矩阵，采用连续帧间结构相似性约束优化双向最佳匹配过程，联合残差补偿重构出非关键帧。本发明能够充分考虑帧间空时运动信息相关性，在相同的采样率下，能够提高重构视频序列帧质量，并且重构时间没有大幅度增加。该方法解决了现有基于多假设预测模型重构过程中未充分考虑视频帧间空时运动信息稀疏相关性的问题。

Description

一种基于双向最佳匹配的分布式视频压缩感知重构方法

技术领域

本发明涉及一种基于双向最佳匹配的分布式视频压缩感知重构方法，属于视频图像处理技术领域。

背景技术

目前，信息社会正朝着数字化、网络化和智能化方向快速发展，采用视频传感构建的无线传感器网络来实现现场实时视频感知的应用需求日益增加。由于视频信号复杂，信号传输过程流量大，并且通信资源有限，所以使得视频图像通信面临较大的挑战。当下，引起较多关注的是分布式视频压缩感知(DistributedCompressive VideoSensing，DCVS)编码方式，它结合了分布式视频编码(Distributed Video Coding，DVC)与压缩感知(Compressive Sensing，CS)，充分利用了两者的优点，非常适用于资源受限制的通信传输场合。

在DCVS系统中，现有大多数重构算法的主要思想是以前一帧图像作为参考图像，通过挖掘并利用当前图像与参考图像间的相关性信息，对当前图像进行CS重建。目前的CS视频重构策略可分为3类：逐帧独立重构、立体重构和预测—残差重构。逐帧独立重构独立地复原单帧，并未利用时间相关性，导致率失真性能较差；立体重构利用3维(3—Dimensional,3D)变换域稀疏性或视频低秩性作为先验知识，可获得较高的率失真性能，但需要巨大的计算复杂度；预测-残差重构首先利用时间相关性对当前帧作出预测，然后利用图像CS重构算法重构出预测帧与原始帧之间的残差。相比于逐帧独立重建和立体重构策略，预测-残差重构权衡了他们之间的优缺点，能够以适中的复杂度得到良好的率失真性能，因而获得广泛关注。在预测-残差重构方法中，边信息预估精度对于重建质量的影响不可忽视，所以提高预估质量是确保视频重构质量的关键。Mun和Fowler借鉴分布式视频编码框架中边信息的生成方法，基于运动估计/运动补偿的残差重建方案。Do等人基于系数稀疏性假设，提出基于帧间相关性的预测模型，利用已重建帧中的时域相邻块线性表示当前重建帧中的图像块，该方法仅考虑了采用相邻关键帧对当前图像组中的非关键帧进行双向预测的重建结构，当GOP增大时，重建质量会有明显下降。在此基础上，Tramel和Fowler提出基于多重假设(MH)预估模型。其中，基于多假设的边信息预估算法假设待预估的宏块可以利用已经重构好的若干参考帧对应领域内的多个宏块进行稀疏表示，但MH预测模型没有充分考虑视频帧间空时运动信息稀疏相关性的问题。

发明内容

本发明目的在于提出了一种基于双向最佳匹配的分布式视频压缩感知重构方法，该方法解决了现有基于多假设预测模型重构过程中未充分考虑视频帧间空时运动信息相关性的问题。本发明在多假设预测模型的基础上，由像素块在测量域结构相似性约束双向最佳匹配策略，结合运动对齐估计思想，采用测量域自适应块结构相似性作为失真标准在参考帧中选取出双向最佳匹配块，在以前、后向最佳匹配块为中心的搜索窗口内逐像素提取视频最优生成矩阵，采用连续帧间结构相似性约束优化双向最佳匹配过程，联合残差补偿重构出非关键帧。在相同的采样率下，能够提高重构视频序列帧质量，并且重构时间没有大幅度增加。为分布式视频压缩进一步提高视频重构质量、满足实时要求提供了可能。

本发明解决其技术问题所采取的技术方法是：

1.一种基于双向最佳匹配的分布式视频压缩感知重构方法，该方法具体步骤如下：

输入：视频序列帧x_t有N＝I_c×I_r个像素，分成n个大小为B×B的块，第i个块的列向量形式记为x_t,i，i＝1,...,n,n＝N/B²。

分块尺寸：B×B，B＝32。分块测量矩阵为Φ_B。

(1)将原始视频流拆分为关键帧和非关键帧，奇数帧为关键帧，偶数帧为非关键帧；或者偶数帧为关键帧，奇数帧为非关键帧。

(2)在采集端，用测量矩阵Φ对关键帧和非关键帧进行CS测量。

(3)在重构端，首先重构视频序列中的关键帧。

(4)将已重构的关键帧作为参考帧，MH预测模型首先寻找待重构块x_t,i在参考帧D₁内的前向最佳匹配块x_{t,ibestforward}和后向最佳匹配块x_t,ibestback，即和寻找前、后向最佳匹配块时，采用像素块结构相似性作为失真标准进行迭代寻找，约束最佳匹配过程中根据非关键帧采样率的不同进行自适应阈值迭代，在参考帧中选取出最佳匹配块作为当前块的临时最佳预测值。SSIM定义如下：

SSIM(x,y)＝[l(x,y)]^α[c(x,y)]^β[s(x,y)]^γ

由于当前帧中的视频块x_t,i是未知的，但x_t,i的测量值是已知的，所以整个过程在测量域进行迭代比较，则x，y分别为当前帧和参考帧中对应的视频帧块测量值，即x＝Φx_t,i，y＝Φy_t,i，由上式计算测量域的SSIM，根据像素块在测量域结构相似性约束双向最佳匹配策略，迭代计算得最终最佳匹配块，即有：和

其中l(x,y)，c(x,y)，s(x,y)分别代表亮度、对比度、结构比较函数；μ_x，μ_y，σ_x，σ_y，σ_xy分别表示参考图像和失真图像的亮度均值、标准差以及协方差；C₁，C₂，C₃为小常数，为了防止分母为0。

(5)由步骤(4)在搜索窗口D₁内得到前、后向临时最佳匹配块x_{t,ibestforward}和x_t,ibestback后，再以x_{t,ibestforward}为中心，生成半径为D₂的搜索窗口D₂，在以最佳匹配块为中心的搜索窗口D₂内逐像素提取视频块生成最优矩阵H_{t,ibestforward}；后向最佳匹配块的最优矩阵H_t,ibestback用同样方法获得。此处H_t,i(即H_{t,ibestforward}和H_t,ibestback)为一个B²×K的矩阵，K＝|H_t,i|，矩阵中的列为参考帧中相应搜索区域D₂内的视频块。

(6)利用多假设预测模型中的如下公式计算非关键帧的多假设预测值(即边信息)：和其中w_t,i为代表H_t,i中各列的最佳线性组合的列向量(前、后向分别为w_t,if和w_t,ib)，Γ为正则化矩阵，h_t,i是H_t,i的列，i＝1,...,K。

(7)在步骤(6)中算得前向最佳匹配边信息为后向最佳匹配边信息为将前、后向最佳匹配边信息进行迭代比较，选择出最终的最佳匹配边信息，即：

(8)获得非关键帧的边信息后，用非关键帧的测量值减去其边信息的测量值，计算出当前帧残差r的各块CS观测向量y_r,i，即：

(9)重构出残差值r_t。

(10)将边信息和残差值相加，得到暂时的重构非关键帧，即：由残差重构帧x_t和边信息帧之间的SSIM值(同步骤4)作为图像重构时的迭代阈值，迭代得到最终的重构非关键帧x_t。

根据权利要求1所述的一种基于双向最佳匹配的分布式视频压缩感知重构方法，其特征在于：步骤(1)中关键帧的采样率固定为0.7，非关键帧的采样率分别采用0.1，0.2，0.3，0.4，0.5。

所述的一种基于双向最佳匹配的分布式视频压缩感知重构方法，其特征在于：步骤(2)中用于信号测量的测量矩阵和步骤(4)中测量域块结构相似性所用的测量矩阵为结构化随机分块测量矩阵(Structurally random matrix，SAM)，其他步骤所用的Φ均为SAM。

所述的一种基于双向最佳匹配的分布式视频压缩感知重构方法，其特征在于：步骤(4)、(5)中分块尺寸为B＝32，搜索窗口半径D₁＝D₂＝B，利用已经重构好的关键帧作为参考帧，根据子块尺寸和搜索窗口范围逐渐增加进行非关键帧的多假设预测，每次迭代后子块尺寸和搜索窗口范围增加一倍。

所述的一种基于双向最佳匹配的分布式视频压缩感知重构方法，其特征在于：步骤(6)中本方法正则化使用的先验知识为：与目标块越接近的候选块，其所对应的权重越大；相反，其所对应的权重越小。λ为正则化控制因子，取值0.15。

所述的一种基于双向最佳匹配的分布式视频压缩感知重构方法，其特征在于：步骤(3)采用MS-BCS-SPL-DDWT对关键帧的测量值进行重构；步骤(9)采用MS-BCS-SPL-DWT对非关键帧残差值进行重构。

所述的一种基于双向最佳匹配的分布式视频压缩感知重构方法，其特征在于：步骤(4)、(10)中，非关键帧测量率为0.1-0.3时，迭代阈值(SSIM值)τ_s＝0.99995；测量率为0.4和0.5时，τ_s＝0.999995。步骤(4)中，C₁，C₂，C₃为小常数，步骤(4)、(10)最大迭代次数为200次。

本发明所述方法适用于运动剧烈场景下的分布式视频压缩感知重构系统。

有益效果

与现有技术相比，本发明具有如下优点：

第一，本发明在多假设预测模型的基础上，引入像素块测量域相似性双向最佳匹配策略，结合运动对齐估计思想，采用测量域自适应块结构相似性作为失真标准在参考帧中选取出最佳匹配块，采用连续帧间结构相似性约束优化双向最佳匹配过程，联合残差补偿重构出非关键帧。与现有基于多假设预测的视频重构方案相比，本发明能够充分考虑帧间空时运动信息稀疏相关性，在相同的采样率下，能够提高重构视频序列帧质量，并且重构时间没有大幅度增加。满足提高运动剧烈场景下视频传输重构质量的要求。

第二，本发明在测量域计算像素块结构相似性，充分考虑稀疏性，根据非关键帧测量率自适应调节阈值，降低算法迭代次数，减少耗时，满足视频实时的要求。

附图说明

图1为本发明一种基于双向最佳匹配的分布式视频压缩感知重构方法的框架图。

图2为本发明方法与现有技术非关键帧重构图像的平均PSNR值随采样率的变化情况(Foreman、Susie、Football序列前100帧，Foreman、Susie序列偶数帧为非关键帧，Football序列奇数帧为非关键帧)。

图3为本发明方法与现有技术非关键帧平均重构时间对比图(Foreman、Susie、Football序列前100帧)，更直观地显示了各算法的复杂度。

图4为本发明方法与现有技术在测量率为0.2时重构出的Foreman第2帧的主观视觉对比图。

图5为本发明方法与现有技术在测量率为0.2时重构出的Football第59帧的主观视觉对比图。

具体实施方式

以下结合附图，对本发明技术方案进行详细说明，具体实施例如下：

如图1所示，本发明提供了一种基于双向最佳匹配的分布式视频压缩感知重构方法，该方法具体步骤如下：

输入：视频序列帧x_t有N＝I_c×I_r个像素，分成n个大小为B×B的块，第i个块的列向量形式记为x_t,i，i＝1,...,n,n＝N/B²。

分块尺寸：B×B，B＝32。分块测量矩阵为Φ_B。

(1)将原始视频流拆分为关键帧和非关键帧，奇数帧为关键帧，偶数帧为非关键帧；或者偶数帧为关键帧，奇数帧为非关键帧。

(2)在采集端，用测量矩阵Φ对关键帧和非关键帧进行CS测量。

(3)在重构端，首先重构视频序列中的关键帧。

(4)将已重构的关键帧作为参考帧，MH预测模型首先寻找待重构块x_t,i在参考帧D₁内的前向最佳匹配块x_{t,ibestforward}和后向最佳匹配块x_t,ibestback，即和寻找前、后向最佳匹配块时，采用像素块结构相似性SSIM作为失真标准进行迭代寻找，约束最佳匹配过程中根据非关键帧采样率的不同进行自适应阈值迭代，在参考帧中选取出最佳匹配块作为当前块的临时最佳预测值。SSIM定义如下：

SSIM(x,y)＝[l(x,y)]^α[c(x,y)]^β[s(x,y)]^γ

由于当前帧中的视频块x_t,i是未知的，但x_t,i的测量值是已知的，所以整个过程在测量域进行迭代比较，则x，y分别为当前帧和参考帧中对应的视频帧块测量值，即x＝Φx_t,i，y＝Φy_t,i，由上式计算测量域的SSIM，根据像素块在测量域结构相似性约束双向最佳匹配策略，迭代计算得最终最佳匹配块，即有：和

其中l(x,y)，c(x,y)，s(x,y)分别代表亮度、对比度、结构比较函数；μ_x，μ_y，σ_x，σ_y，σ_xy分别表示参考图像和失真图像的亮度均值、标准差以及协方差；C₁，C₂，C₃为小常数，为了防止分母为0。

(5)由步骤(4)在搜索窗口D₁内得到前、后向临时最佳匹配块x_{t,ibestforward}和x_t,ibestback后，再以x_{t,ibestforward}为中心，生成半径为D₂的搜索窗口D₂，在以最佳匹配块为中心的搜索窗口D₂内逐像素提取视频块生成最优矩阵H_{t,ibestforward}；后向最佳匹配块的最优矩阵H_t,ibestback用同样方法获得。此处H_t,i(即H_{t,ibestforward}和H_t,ibestback)为一个B²×K的矩阵，K＝|H_t,i|，矩阵中的列为参考帧中相应搜索区域D₂内的视频块。

(6)利用多假设预测模型中的如下公式计算非关键帧的多假设预测值(即边信息)：和其中w_t,i为代表H_t,i中各列的最佳线性组合的列向量(前、后向分别为w_t,if和w_t,ib)，Γ为正则化矩阵，h_t,i是H_t,i的列，i＝1,...,K。

(7)在步骤(6)中算得前向最佳匹配边信息为后向最佳匹配边信息为将前、后向最佳匹配边信息进行迭代比较，选择出最终的最佳匹配边信息，即：

(8)获得非关键帧的边信息后，用非关键帧的测量值减去其边信息的测量值，计算出当前帧残差r的各块CS观测向量y_r,i，即：

(9)重构出残差值r_t。

(10)将边信息和残差值相加，得到暂时的重构非关键帧，即：由残差重构帧x_t和边信息帧之间的SSIM值(同步骤4)作为图像重构时的迭代阈值，迭代得到最终的重构非关键帧x_t。

表1是本方法与现有技术在5个采样率下非关键帧重构图像的平均峰值信噪比PSNR值。可以看出，在相同的采样率下，本发明方法与现有方法比较，PSNR值最大，能够明显提高视频帧序列的重构质量。

表1

表2是本方法与现有技术在5个采样率下视频图像的平均重构时间，可以看出本发明方法非关键帧重构时间增加不明显。

表2

下面结合附图对本发明方法的效果做进一步说明：

以CIF格式(352×288)的标准测式序列Foreman、Susie、Football的前100帧作为测试序列帧，Foreman、Susie序列偶数帧为非关键帧，Football序列奇数帧为非关键帧，关键帧采样率固定为为0.7，非关键帧采样率为0.1，0.2，0.3，0.4，0.5。测量矩阵为SAM，分块尺寸B＝32，搜索窗口半径D₁＝D₂＝B，正则化参数λ＝0.15，最大迭代次数为200次。由两个连续残差重构图像之间的SSIM值作为图像重构时的阈值，测量率为0.1-0.3时，τ_s＝0.99995，测量率为0.4和0.5时，τ_s＝0.999995。采用MS-BCS-SPL-DDWT对关键帧的测量值进行重构，采用MS-BCS-SPL-DWT对非关键帧残差值进行重构。对比方法为基于分块压缩的BCS-SPL和MS-BCS-SPL，基于MH预测模型的MH-BCS-SPL和MH-MS-BCS-SPL。

图2是序列Foreman、Susie、Football的前100帧仿真的具体情况。比表1更直观地显示了非关键帧重构图像的平均PSNR值随采样率的变化情况。从图2可以看出，在相同的采样率下，本发明方法与现有方法比较，PSNR值最大，能够明显提高视频帧序列的重构质量；本发明方法的PSNR值比其他方案平均提高1.97dB。在测量率为0.3时体现最为明显，对比方法重构PSNR最高为33.80dB，本发明方法重构PSNR值为36.4，提高了2.6dB。

图3是序列Foreman、Susie、Football的前100帧仿真时非关键重构时间具体情况，比表2更直观地显示了视频序列帧在各采样率下的平均重构时间，更直观地显示了各算法的复杂度。从图3可以看出，本发明方法非关键帧重构时间要比BCS-SPL和MH-BCS-SPL算法少，比MS-BCS-SPL和MH-MS-BCS-SPL算法的重构时间要长，但是在测量域进行像素块相似性计算，根据非关键帧测量率自适应调节阈值，降低算法迭代次数，减少了耗时，所以本发明方法非关键帧重构时间增加不明显，并没有过多的增加算法复杂度。

图4为本发明方法与现有技术在测量率为0.2时重构出的Foreman第2帧的主观视觉对比图。本发明方法重构PSNR值为35.4dB，其他方法重构PSNR值最高为33.5dB，本发明方法提高了1.9dB，观察各重构视频帧，明显本方法具有最好的主观视觉质量。

图5为本发明方法与现有技术在测量率为0.2时重构出的Football第59帧的主观视觉对比图。本发明方法重构PSNR值为29.3dB，其他方法重构PSNR值最高为27.6dB，本发明方法提高了1.7dB，观察各重构视频帧，明显本方法具有最好的主观视觉质量。

本发明方法通过像素块在测量域结构相似性约束双向最佳匹配策略，结合运动对齐估计思想，使得利用MH预测模型重构非关键帧时能够充分考虑视频帧间空时运动信息相关性，重构出的非关键帧质量更高，在基本不增加算法复杂度的基础上，可以获得更好的主观视觉效果。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (7)

1.一种基于双向最佳匹配的分布式视频压缩感知重构方法，其特征在于，具体步骤如下：

输入：视频序列帧x_t有N＝I_c×I_r个像素，分成n个大小为B×B的块，第i个块的列向量形式记为x_t,i，i＝1,...,n,n＝N/B²；

分块尺寸：B×B，B＝32,分块测量矩阵为Φ_B；

(1)将原始视频流拆分为关键帧和非关键帧，奇数帧为关键帧，偶数帧为非关键帧；或者偶数帧为关键帧，奇数帧为非关键帧；

(2)在采集端，用测量矩阵Φ对关键帧和非关键帧进行CS测量；

(3)在重构端，首先重构视频序列中的关键帧；

(4)将已重构的关键帧作为参考帧，MH预测模型首先寻找待重构块x_t,i在参考帧D₁内的前向最佳匹配块x_{t,ibestforward}和后向最佳匹配块x_t,ibestback，即和寻找前、后向最佳匹配块时，在测量域采用像素块结构相似性(Structural SIMilarity，SSIM)作为失真标准进行迭代寻找，约束最佳匹配过程中根据非关键帧采样率的不同进行自适应阈值迭代，在参考帧中选取出最佳匹配块作为当前块的临时最佳预测值；SSIM定义如下：

SSIM(x,y)＝[l(x,y)]^α[c(x,y)]^β[s(x,y)]^γ

$l(x,y)=\frac{2{\mathrm{\μ}}_x{\mathrm{\μ}}_y+C_1}{{{\mathrm{\μ}}_x}^2+{{\mathrm{\μ}}_y}^2+C_1},l(x,y)=\frac{2{\mathrm{\σ}}_x{\mathrm{\σ}}_y+C_2}{{{\mathrm{\σ}}_x}^2+{{\mathrm{\σ}}_y}^2+C_2},l(x,y)=\frac{{\mathrm{\σ}}_{xy}+C_3}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y+C_3}$

由于当前帧中的视频块x_t,i是未知的，但x_t,i的测量值是已知的，所以整个过程在测量域进行迭代比较，则x，y分别为当前帧和参考帧中对应的视频帧块测量值，即x＝Φx_t,i，y＝Φy_t,i，由上式计算测量域的SSIM，根据像素块在测量域结构相似性约束双向最佳匹配策略，迭代计算得最终最佳匹配块，即有：和

其中l(x,y)，c(x,y)，s(x,y)分别代表亮度、对比度、结构比较函数；μ_x，μ_y，σ_x，σ_y，σ_xy分别表示参考图像和失真图像的亮度均值、标准差以及协方差；C₁，C₂，C₃为小常数，为了防止分母为0；

(5)由步骤(4)在搜索窗口D₁内得到前、后向最佳匹配块x_{t,ibestforward}和x_t,ibestback后，再以x_{t,ibestforward}为中心，生成半径为D₂的搜索窗口D₂，在以最佳匹配块为中心的搜索窗口D₂内逐像素提取视频块生成最优矩阵H_{t,ibestforward}；后向最佳匹配块的最优矩阵H_t,ibestback用同样方法获得；此处H_t,i即H_{t,ibestforward}和H_t,ibestback，为一个B²×K的矩阵，K＝|H_t,i|，矩阵中的列为参考帧中相应搜索区域D₂内的视频块；

(6)利用多假设预测模型中的如下公式计算非关键帧的多假设预测值即边信息：和其中w_t,i为代表H_t,i中各列的最佳线性组合的列向量，前、后向分别为w_t,if和w_t,ib，Γ为正则化矩阵，h_t,i是H_t,i的列，i＝1,...,K；

(7)在步骤(6)中算得前向最佳匹配边信息为后向最佳匹配边信息为将前、后向最佳匹配边信息进行迭代比较，选择出最终的最佳匹配边信息，即：

${\hat{x}}_{t,i}=\left\{\begin{array}{c}{x}_{t,ibestforward},\left|\right|x_{t,ibestforward}-x_{t,i}\left|\right|\≤\left|\right|x_{t,ibestback}-x_{t,i}\left|\right|\\ x_{t,ibestback},\left|\right|x_{t,ibestforward}-x_{t,i}\left|\right|\≥\left|\right|x_{t,ibestback}-x_{t,i}\left|\right|\end{array}\right.$

(8)获得非关键帧的边信息后，用非关键帧的测量值减去其边信息的测量值，计算出当前帧残差r的各块CS观测向量y_r,i，即：

$y_{r,i}=y_{t,i}-{\mathrm{\Φ}}_B\stackrel{\mathrm{\Λ}}{x_{t,i}}={\mathrm{\Φ}}_B(x_{t,i}-\stackrel{\mathrm{\Λ}}{x_{t,i}})={\mathrm{\Φ}}_B{r}_{t,i},i=1,...,n$

(9)重构出残差值r_t；

(10)将边信息和残差值相加，得到暂时的重构非关键帧，即：由残差重构帧x_t和边信息帧之间的SSIM值即同步骤4，作为图像重构时的迭代阈值，迭代得到最终的重构非关键帧x_t。

2.根据权利要求1所述的一种基于双向最佳匹配的分布式视频压缩感知重构方法，其特征在于：步骤(1)中关键帧的采样率固定为0.7，非关键帧的采样率分别采用0.1，0.2，0.3，0.4，0.5。

3.根据权利要求1所述的一种基于双向最佳匹配的分布式视频压缩感知重构方法，其特征在于：步骤(2)中用于信号测量的测量矩阵和步骤(4)中测量域块结构相似性所用的测量矩阵为结构化随机分块测量矩阵Structurally random matrix，即SAM，其他步骤所用的Φ均为SAM。

4.根据权利要求1所述的一种基于双向最佳匹配的分布式视频压缩感知重构方法，其特征在于：步骤(4)、(5)中分块尺寸为B＝32，搜索窗口半径D₁＝D₂＝B，利用已经重构好的关键帧作为参考帧，根据子块尺寸和搜索窗口范围逐渐增加进行非关键帧的多假设预测，每次迭代后子块尺寸和搜索窗口范围增加一倍。

5.根据权利要求1所述的一种基于双向最佳匹配的分布式视频压缩感知重构方法，其特征在于：步骤(6)中本方法正则化使用的先验知识为：与目标块越接近的候选块，其所对应的权重越大；相反，其所对应的权重越小，λ为正则化控制因子，取值0.15。

6.根据权利要求1所述的一种基于双向最佳匹配的分布式视频压缩感知重构方法，其特征在于：步骤(3)采用MS-BCS-SPL-DDWT对关键帧的测量值进行重构；步骤(9)采用MS-BCS-SPL-DWT对非关键帧残差值进行重构。

7.根据权利要求1所述的一种基于双向最佳匹配的分布式视频压缩感知重构方法，其特征在于：步骤(4)、(10)中，非关键帧测量率为0.1-0.3时，迭代阈值即SSIM值，τ_s＝0.99995；测量率为0.4和0.5时，τ_s＝0.999995；步骤(4)中，C₁，C₂，C₃为小常数，步骤(4)、(10)最大迭代次数为200次。