原为mX m的矩阵，其中M〈〈N，M = mXm，也就是将原来η Xn的子图像块替换为mXm的测量值矩阵;依 次对每帧图像的每个子图像块做相同处理，最后得到f帧由mXm的测量值矩阵组成的重构 图像;对于重构图像中的每个像素，其背景模型表示为f帧重构图像中对应位置处像素值的 集合；
[0043] 1.2、对于待检测的图像帧，按照1.1得到其重构图像;重构图像中的每个像素分别 与1.1中得到的该像素背景模型进行匹配，如果该像素值与背景模型中至少两个值的绝对 差不超过阈值Th，则该像素被标记为背景，否则，该像素为前景;将重构图像中前景像素对 应于原图像中的区域标记为感兴趣区域，其它为背景区域；
[0044] 1.3、对于背景像素，其背景模型的更新基于某一概率随机地选择背景模型中的样 本值，替换为当前像素值;对于前景像素，其背景模型保持不变。为了克服运动过程中出现 的鬼影，当某个像素连续多帧被检测为前景时，将其重新标记为背景。
[0045] S2、感兴趣区域被分成16X16的子块，通过Haar小波分解得到每个子块的稀疏矩 阵，进一步将其转化为256X1的列向量;背景区域做相同操作，背景区域被处理的频率远低 于感兴趣区域，特殊情况下可以不处理背景区域。
[0046] S3、压缩采样被用于每个稀疏块所对应的列向量，根据节点剩余能量自适应调整 压缩采样率从而控制图像质量、平衡节点能耗，所述的压缩采样率按以下公式进行自适应 调整：
[0047] 对于感兴趣区域内的子块h的压缩采样率MRiS
[0049] 其中s是子块的稀疏性度量，为h小波系数的绝对值和；￥是感兴趣区域内所有子 块的稀疏性度量的平均值;MRrcil是预设的感兴趣区域压缩采样率，根据节点剩余能量确定；
[0050] 对于背景区域内的所有子块都采用相同的压缩采样率MRtlle3S，其值由节点剩余能 量决定；
[0051] 节点剩余能量与压缩采样率的关系为：
[0053] 其中Eo和Er分别为节点的初始能量和剩余能量;Eth为防止节点剩余能量的快速衰 竭而引入的能量阈值;P和q为控制参数，且〇〈P〈l，q>l;
[0054] S4、每个稀疏块的测量值按特定的数据包格式打包，无线发送至接收端。
[0055] 测量值数据包格式与无线传输具体实现为：
[0056]采用ZigBee技术传输压缩图像，由于其物理层所支持的最大数据包长度为127字 节，考虑到网络层、MAC层以及物理层头的开销，每个数据包的最大载荷设定为70字节，其中 包括最大长度为64字节的测量数据以及固定长度为6字节的附加信息，具体来说，4个字节 存储子块在图像中的位置信息，1个字节记录数据包的实际长度，半个字节(4bits)标记该 子块为感兴趣区域还是背景区域，另外半个字节指示子块的数据包序号；
[0057]各子块的测量值按上述格式打包后插入到ZigBee数据包中逐个发送。
[0058] S5、所述的接收端解包得到测量值，采用贪婪迭代算法恢复小波系数，通过Haar小 波逆变换还原每个图像块，经块合并重构出原始图像。
[0059]本实施例中，（1)选取视频传感器节点采集的前f帧图像，对于每帧图像做如下处 理:首先，将图像分解为16X16(8卩n = 16)的子图像块，每个子图像块排列为256X 1(即N = 256)的列向量。对于每个子图像块，16个测量值就能很好的描述该子图像块的特征信息、实 现较好的目标提取效果。16 X 1的测量值可通过16 X 256的测量矩阵与子块对应的列向量相 乘获得，再将其还原成4X4(即m=4)的测量值矩阵，也就是说，原图像的16X16的子图像块 被替换成4X4的测量值矩阵。因此，一个包含图像有用信息的新的图像帧可以根据所有子 图像块的测量值重建。例如，352X288的原始图像可以用88X72的重构图像来描述。接下 来，通过f帧重构图像来建立每个像素的背景模型。像素（i，j)的背景模型初始化为f帧重构 图像对应位置处像素值的集合，即
[0060] M(i，j)，l2(i，j)，…If(i，j)}
[00611式中Is(i，j)S=1,...,f表示第s帧重构图像（i，j)处的像素值。f应该取较大的值以保 证背景样本的多样性，本实例中，f = 15。
[0062] 待检测的图像帧按照上述步骤重构，对于每个像素，判断其与背景模型是否匹配 来确定重构图像中哪些像素属于背景。具体方法是，对于像素（i，j)，将其值I(i，j)与M(i， j)中的样本Is(i，j)依次比较，满足下列条件的像素被标记为背景像素
[0063] #{|l(i,j)-Is(i,j)|<Th,Is(i,j)eM(i,j)}>T
[0064] 其中#{}表示统计次数，Th为绝对差阈值，τ为匹配的次数，其缺省值分别为Th = 20，τ = 2。显然，像素的分类过程非常简单，只涉及简单的减法运算。完成重构帧图像的像素 分类后，可将前景像素在原始图像对应的区域标记为感兴趣区域。为了准确地提取出感兴 趣区域，背景模型的更新至关重要。假设t时刻的背景模型为1={1^(1，」）}，如果某个像素 (i，j)被标记为背景，其值I(i，j)将有可能以一定的概率1/S被吸收到t+Ι时刻的背景模型 Mt+1( i，j)中去。这意味着Mt( i，j)中的任意一个样本会以Ι/f的概率被选中并被I (i，j)以1/ δ的概率替换。对于被标记为前景的像素，其背景模型保持不变。为了克服运动过程中出现 的鬼影，当某个像素连续50帧被检测为前景时，可将其重新标记为背景。
[0065] 图2是采用本发明方法进行图像帧重构与感兴趣区域提取的例图，图2(a)~(d)分 别是原始图像、重构图像(显示大小与原始图像相同）、前景模板和检测到的感兴趣区域。从 中可以看出，该方法对复杂背景扰动(如，水波和光照的变化)具有鲁棒性，在不需要任何形 态学后处理的情况下能准确地提取出感兴趣区域。
[0066] (2)提取出图像的感兴趣区域有利于提高图像压缩的效率和目的性。对图像中的 感兴趣区域与背景区域分别进行压缩采样与传输。由于背景区域含有大量冗余信息，而且 视频感知任务主要关注的是感兴趣区域，因此，背景区域应该每隔几帧处理一次或者以更 低的频率进行处理以降低计算成本和节点能耗。为了实现压缩采样，通过Haar小波变换 (HWT)实现图像的稀疏化。HWT是最简单的小波变换，计算复杂度和动态内存需求低，同时具 有很好的能量压缩与去相关性，适用于处理能力有限、内存较小的传感器节点。图像稀疏表 示的过程是，感兴趣区域与背景区域按16X16分成子块，对每个子块采用3层Haar小波分解 得到该图像块16 X 16的稀疏矩阵，再将其进一步转化为256 X 1的列向量。
[0067] (3)对于感兴趣区域内的每个子块，采用MX256的±1伯努利随机测量矩阵与该子 块对应的256\1的列向量相乘得至_\1的测量(压缩采样率1? = 1/256)。采用伯努利矩阵 的优点在于其随机测量计算只使用加法运算而不涉及高斯矩阵随机映射中的浮点乘法运 算。考虑到每个子块的空间特征信息不同，有的包含较多的边缘与纹理，有的相对平缓，这 使得HWT后各块表现出的稀疏度也各不相同。通过Haar小波系数的绝对值和作为子块的稀 疏性度量，对特征信息丰富的子块分配较多的测量，对相对平滑的子块分配较少的测量，这 样可以尽可能保留各子块的细节信息，提高图像的恢复质量。对于感兴趣区域内的子块匕， 其压缩采样率MRi为
[0069]其中s是匕小波系数的绝对值和，?是感兴趣区域内所有子块的小波系数绝对值和 的平均值，感兴趣区域预设的压缩采样率MRrc^g据节点剩余能量确定。各子块的测量矩阵 构建方法是，首先，找出所有子块压缩采样率MRi的最大值，即MR max=max(MRi)，其测量数为 Mmax = MRmax X 256;然后，构建一个Mmax X 256的伯努利随机矩阵Φ ;最后，子块bi的测量矩阵 根据其测量数Mi=MRi X 256从Φ中选取前面的Mi行构成。图3给出了自适应分配压缩采样率 (左列）与各块采用固定的压缩采样率(右列）的对比结果，二者计算时间基本相同，但前者 恢复的图像质量要优