面向屏摄通信的空时颜色编码框架与低复杂度检测算法

《IEEE Communications Letters》：Space-Time-Color Scheme for Screen-to-Camera Communications

本刊推荐一项屏摄通信(S2C)领域的创新研究，该工作针对传统S2C系统存在的闪烁干扰、调制效率低及光学模糊等问题，提出了融合颜色偏移键控(CSK)调制、张量建模与颜色跳变空时(CHST)编码的统一框架。研究人员开发了交替优化Khatri-Rao分解(AO-KRF)算法，实现了高阶无闪烁视频传输。实验表明，AO-KRF在保证性能的同时显著降低计算复杂度，为实时S2C通信提供了可行方案。

　　

在数字化时代，屏幕与摄像头已成为无处不在的人机交互接口。通过屏幕显示编码信息、由摄像头捕获解码的屏摄通信(S2C)技术，因其可利用现有显示设备实现数据传输而备受关注。然而，传统S2C系统面临严峻挑战：基于亮度调制的方案会产生令人不适的闪烁现象；光学通道的模糊效应会严重干扰符号识别；且多数现有系统仅限于灰度视频传输，制约了数据传输效率的提升。

针对这些瓶颈，发表在《IEEE Communications Letters》上的研究论文提出了一种创新的空时颜色方案。该研究巧妙融合了可见光通信(VLC)中的颜色跳变空时(CHST)编码策略与张量建模方法，构建出支持彩色视频传输的通用框架。特别值得关注的是，团队开发的交替优化Khatri-Rao分解(AO-KRF)算法，以较低计算成本实现了高效符号检测，为实时S2C应用铺平了道路。

本研究采用了几项关键技术方法：首先建立了整合CSK调制与CHST编码的广义S2C-CHST系统模型，将视频序列建模为三阶张量；提出了基于交替优化的AO-KRF算法进行符号检测，通过迭代更新因子向量避免大规模矩阵求逆；利用PARAFAC张量分解理论确保模型可识别性；通过蒙特卡洛仿真和真实屏幕-智能手机实验平台验证性能，包括在环境光影响下的实测分析。

系统模型构建

研究人员将CHST编码方案适配到张量基S2C系统中，建立了统一数学模型。该系统将视频序列视为三阶张量Y∈R^(K_RPL_R×F×N)，其中P为跳变块数，F为视频帧数，N为符号周期数。通过定义张量展开形式，实现了S2C与CHST的自然映射，当P=1且K_R=1时，系统退化为传统灰度S2C方案；当F=1时，则简化为标准CHST-VLC系统。

算法性能验证

AO-KRF算法通过交替优化策略分解估计矩阵W的每一列。对于每个列向量w_k，算法将其重塑为矩阵W_k∈R^(F×N)，然后交替更新符号向量s_k和视频向量x_k。与需要奇异值分解(SVD)的OCC-KRF算法相比，AO-KRF仅需矩阵-向量乘法运算，计算复杂度从O(K_TPL_TFNmin(F,N))降低至O(K_TPL_TTFN)，当迭代次数T小于min(F,N)时优势明显。

唯一性条件分析

研究提出了确保模型唯一性的命题：当符号矩阵S和信道矩阵H满列秩，且视频矩阵X的Kruskal秩k_X≥2时，PARAFAC分解本质唯一。这一条件在实际视频传输中容易满足，因为任何两行像素间存在强度变化即可保证线性独立性。此外，当F≥N≥3且P≥L_T/L_R时，系统具备可识别性。

仿真实验结果

在合成RGB视频测试中，增加视频帧数F和跳变块数P均能提升系统性能。如图2所示，F的增加带来更陡峭的误符号率(SER)曲线斜率，表明时间分集增益；而P的增加主要提供编码增益。在真实视频测试中，由于像素相关性更强，F的增益效果减弱，而P在颜色退化场景中表现更优。

算法对比实验显示，AO-KRF仅需两次迭代即可达到与OCC-KRF相当的SER性能，而计算复杂度显著降低。如图4所示，当i_max=2时，AO-KRF性能与OCC-KRF重合，而计算速度提升约2.5倍，更适合实时应用。

实际场景验证

在智能手机与屏幕的真实测试中，研究人员评估了环境光影响下的系统鲁棒性。如图5所示，在光照(300 lux)和黑暗(28 lux)条件下，系统均能保持可靠通信。增加P在存在颜色串扰的实际场景中表现尤为突出，而环境光干扰可通过增加F或P进行有效补偿。

本研究通过理论创新与实验验证，成功构建了支持彩色视频传输的S2C-CHST统一框架。该框架首次将CHST编码引入张量基S2C系统，实现了空间、时间和颜色维度的联合优化。提出的AO-KRF算法以低计算复杂度实现高效符号检测，解决了实时应用的关键瓶颈。实验结果表明，系统在合成视频和真实场景下均能有效工作，为未来智能设备间的无缝通信提供了技术基础。

这项工作的重要意义在于突破了传统S2C系统的限制，实现了高阶无闪烁调制，同时保持了系统实用性。通过灵活调整F和P参数，用户可在数据速率和通信可靠性间取得平衡。随着显示技术和图像传感器性能的持续提升，这一框架有望在增强现实、智能交通和物联网等领域发挥重要作用，推动光学相机通信(OCC)技术的实际应用。