Compressive sensing for IoT-driven reliable video surveillance
Author
Reverseau, Laetitia Beatrice
Term
4. term
Education
Publication year
2016
Abstract
This thesis addresses the growing data volume in video surveillance by applying compressive sensing (CS) in IoT-based camera systems to reduce sampling, transmission, and storage while preserving useful visual information. It investigates how CS can be applied to single images and multi-camera scenarios by exploiting spatial correlation within a frame and across frames, and it derives practical sampling levels under resource constraints. Methodologically, multiple images are evaluated using standard metrics such as PSNR and SSIM, with pre-processing to determine thresholds for early measurements and per-image storage; the study also examines edge detection and image stitching from compressed measurements, including the impact of asymmetric sampling across overlapping cameras. The results indicate that for a 2500-pixel image, about 1000 random samples yield good reconstruction, whereas 300–500 samples are sufficient to detect edges and contours that matter for surveillance analytics. Within an IoT architecture, the thesis also discusses using network coding for robust, privacy-preserving distributed storage by splitting and storing coded data across devices. Overall, the findings support CS as an effective pre-processing approach for reliable, resource-aware video surveillance at the network edge.
Dette speciale adresserer den voksende datamængde i videoovervågning ved at anvende kompressiv sensing (CS) i IoT-baserede kamerasystemer for at reducere målinger, transmission og lagring, samtidig med at nyttig billedinformation bevares. Arbejdet undersøger, hvordan CS kan anvendes på enkeltbilleder og i scenarier med flere kameraer ved at udnytte rumlig korrelation i et billede og korrelation på tværs af billeder, og det fastlægger praktiske prøvetagningsniveauer under ressourcebegrænsninger. Metodisk evalueres flere billeder med standardmål som PSNR og SSIM, og der undersøges forbehandling til at bestemme tærskler for tidlige målinger samt lagringsbehov pr. billede; derudover analyseres kantdetektion og billedsamling (stitching) fra komprimerede målinger, herunder effekten af asymmetrisk prøvetagning mellem overlappende kameraer. Resultaterne indikerer, at for et billede med 2500 pixels kan omkring 1000 tilfældige målinger give en god rekonstruktion, mens 300–500 målinger er tilstrækkelige til at finde kanter og konturer, som er centrale for overvågningsopgaver. I en IoT-arkitektur diskuteres desuden brug af netværkskodning til robust og privatlivsbevarende, distribueret lagring ved at splitte og lagre kodede data på tværs af enheder. Samlet set peger resultaterne på CS som en effektiv forbehandlingsmetode til pålidelig, ressourcebevidst videoovervågning ved netværkskanten.
[This apstract has been generated with the help of AI directly from the project full text]