1.一种基于机器学习的立体视频客观质量评价方法，其特征在于它的处理过程为：
通过对参考立体视频的左视点视频中的图像的亮度分量图中的所有尺寸大小一致的第一图像块，及失真的立体视频的左视点视频中的图像的亮度分量图中的所有尺寸大小一致的第一图像块实施奇异值分解，获取失真的立体视频的左视点视频的质量；
通过对参考立体视频的右视点视频中的图像的亮度分量图中的所有尺寸大小一致的第一图像块，及失真的立体视频的右视点视频中的图像的亮度分量图中的所有尺寸大小一致的第一图像块实施奇异值分解，获取失真的立体视频的右视点视频的质量；
通过计算参考立体视频的左视点视频与右视点视频中相对应的两帧图像的亮度分量图的绝对差值图中的每个尺寸大小为8×8的子块，与失真的立体视频的左视点视频与右视点视频中相对应的两帧图像的亮度分量图的绝对差值图中的每个尺寸大小为8×8的子块的结构相似度，获取失真的立体视频的左视点视频与右视点视频在视点间的差异程度；
采用多个原始的无失真的立体视频，建立其在不同失真类型不同失真程度下的失真立体视频集合，该失真立体视频集合包括多个失真立体视频，然后利用主观质量评价方法分别评价出该失真立体视频集合中的每个失真立体视频的平均主观意见分，接着按照上述三个过程获取该失真立体视频集合中的每个失真立体视频的左视点视频的质量、右视点视频的质量、左视点视频与右视点视频在视点间的差异程度，再将每个失真立体视频的左视点视频的质量、右视点视频的质量、左视点视频与右视点视频在视点间的差异程度构成特征矢量；
将该失真立体视频集合中的所有失真立体视频分成训练集和测试集，然后采用支持向量回归作为机器学习的方法，对该训练集中的所有失真立体视频的特征矢量进行训练，并结合该训练集中的所有失真立体视频的平均主观意见分，得到支持向量回归训练模型，接着根据支持向量回归训练模型，对该测试集中的每个失真立体视频的特征矢量进行测试，预测得到该测试集中的每个失真立体视频的客观质量评价预测值；
该立体视频客观质量评价方法具体包括以下步骤：
(o) (o) (d) (o)
①令R 表示原始的无失真的立体视频，将R 作为参考立体视频，令R 表示与R相对应的失真立体视频，将R(o)的左视点视频中的第k帧图像的亮度分量图记为 将R(o)(d)
的右视点视频中的第k帧图像的亮度分量图记为 将R 的左视点视频中的第k帧图像(d)
的亮度分量图记为 将R 的右视点视频中的第k帧图像的亮度分量图记为 其中，k为正整数，1≤k≤Nf，Nf表示左视点视频和右视点视频中包含的图像的帧数；
(d) (d)
②计算R 的左视点视频中的每帧图像的亮度分量图的空域质量，将R 的左视点视频中的第k帧图像的亮度分量图 的空域质量记为QL,k，其中，获取QL,k的主要过程为：首先，分别将 和 分割成多个互不重叠的尺寸大小一致的第一图像块；然后对 和中的每个第一图像块实施奇异值分解，得到 和 中的每个第一图像块的左奇异向量矩阵、右奇异向量矩阵、奇异值的对角矩阵；接着，根据 和 中的每个第一图像块的左奇异向量矩阵和右奇异向量矩阵，获取 与 中所有的坐标位置相同的两个第一图像块的奇异向量的相似程度；最后，根据 与 中所有的坐标位置相同的两个第一图像块的奇异向量的相似程度，获得 的空域质量QL,k；
(d) (d)
③根据R 的左视点视频中的每帧图像的亮度分量图的空域质量，计算R 的左视点视频的质量，记为QL， 其中，wL,k表示QL,k相对于时域上
(d)
位于R 的左视点视频中的第k帧图像之前的F帧图像各自的空域质量和时域上位(d)
于R 的左视点视频中的第k帧图像之后的F帧图像各自的空域质量的波动因子，F的值为
(d)
1或2或3或4，QL,k-T表示R 的左视点视频中的第k-T帧图像的亮度分量图 的空域(d)
质量，QL,k+T表示R 的左视点视频中的第k+T帧图像的亮度分量图 的空域质量，符号“||”为取绝对值符号；
(d) (d)
④计算R 的右视点视频中的每帧图像的亮度分量图的空域质量，将R 的右视点视频中的第k帧图像的亮度分量图 的空域质量记为QR,k，其中，获取QR,k的主要过程为：首先，分别将 和 分割成多个互不重叠的尺寸大小一致的第二图像块；然后对 和中的每个第二图像块实施奇异值分解，得到 和 中的每个第二图像块的左奇异向量矩阵、右奇异向量矩阵、奇异值的对角矩阵；接着，根据 和 中的每个第二图像块的左奇异向量矩阵和右奇异向量矩阵，获取 与 中所有的坐标位置相同的两个第二图像块的奇异向量的相似程度；最后，根据 与 中所有的坐标位置相同的两个第二图像块的奇异向量的相似程度，获得 的空域质量QR,k；
⑤根据R(d)的右视点视频中的每帧图像的亮度分量图的空域质量，计算R(d)的右视点视频的质量，记为QR， 其中，wR,k表示QR,k相对于时域上
(d)
位于R 的右视点视频中的第k帧图像之前的F帧图像各自的空域质量和时域上位(d)
于R 的右视点视频中的第k帧图像之后的F帧图像各自的空域质量的波动因子，F的值为1
(d)
或2或3或4，QR,k-T表示R 的右视点视频中的第k-T帧图像的亮度分量图 的空域质(d)
量，QR,k+T表示R 的右视点视频中的第k+T帧图像的亮度分量图 的空域质量；
(o)
⑥计算R 的左视点视频与右视点视频中相对应的两帧图像的亮度分量图的绝对差值(d)
图，并计算R 的左视点视频与右视点视频中相对应的两帧图像的亮度分量图的绝对差值(o) (d)
图，然后计算R 对应的绝对差值图中的每个尺寸大小为8×8的子块与R 对应的绝对差(o)
值图中对应的尺寸大小为8×8的子块的结构相似度，再根据R 对应的绝对差值图中的每(d)
个尺寸大小为8×8的子块与R 对应的绝对差值图中对应的尺寸大小为8×8的子块的结(d)
构相似度，计算R 的左视点视频与右视点视频中相对应的两帧图像的亮度分量图在视点(d) (d)
间差异的变化程度，将R 的左视点视频中的第k帧图像的亮度分量图 与R 的右视点视频中的第k帧图像的亮度分量图 在视点间差异的变化程度记为QD,k；
⑦根据R(d)的左视点视频与右视点视频中相对应的两帧图像的亮度分量图在视点间差异的变化程度，计算R(d)的左视点视频与右视点视频在视点间的差异程度，记为QD，(d)
其中，wD,k表示QD,k相对于时域上位于R 的左视点视频中的第k帧图
(d)
像之前的F帧图像与R 的右视点视频中的第k帧图像之前的F帧图像各自的亮度分量图(d)
在视点间差异的变化程度，及时域上位于R 的左视点视频中的第k帧图像之后的F帧图(d)
像与R 的右视点视频中的第k帧图像之后的F帧图像各自的亮度分量图在视点间差异的变化程度的波动因子，
F的
值为1或2或3或4，QD,k-T表示R(d)的左视点视频中的第k-T帧图像的亮度分量图 与(d)
R 的右视点视频中的第k-T帧图像的亮度分量图 在视点间差异的变化程度，QD,k+T分(d) (d)
别R 的左视点视频中的第k+T帧图像的亮度分量图 与R 的右视点视频中的第k+T帧图像的亮度分量图 在视点间差异的变化程度；
⑧采用n'个原始的无失真的立体视频，建立其在不同失真类型不同失真程度下的失真立体视频集合，该失真立体视频集合包括多个失真立体视频，利用主观质量评价方法分别评价出该失真立体视频集合中的每个失真立体视频的平均主观意见分，将该失真立体视频集合中的第j个失真立体视频的平均主观意见分记为MOSj，MOSj∈[0,5]；然后按照步(d) (d) (d)
骤①至步骤⑦计算R 的左视点视频的质量QL、R 的右视点视频的质量QR及R 的左视点视频与右视点视频在视点间的差异程度QD的操作，以相同的方式计算该失真立体视频集合中的每个失真立体视频的左视点视频的质量、该失真立体视频集合中的每个失真立体视频的右视点视频的质量、该失真立体视频集合中的每个失真立体视频的左视点视频与右视点视频在视点间的差异程度，将该失真立体视频集合中的第j个失真立体视频的左视点视频的质量记为QL(j)，将该失真立体视频集合中的第j个失真立体视频的右视点视频的质量记为QR(j)，将该失真立体视频集合中的第j个失真立体视频的左视点视频与右视点视频在视点间的差异程度记为QD(j)；再由该失真立体视频集合中的每个失真立体视频的左视点视频的质量和右视点视频的质量、该失真立体视频集合中的每个失真立体视频的左视点视频与右视点视频在视点间的差异程度构成该失真立体视频集合中的每个失真立体视频的特征矢量，将该失真立体视频集合中的第j个失真立体视频的特征矢量记为xj，xj＝(QL(j),QR(j),QD(j))；其中，n'>1，1≤j≤N'，N'表示该失真立体视频集合中包含的失真立体视频的个数；
⑨将该失真立体视频集合中的所有失真立体视频分成训练集和测试集，然后采用支持向量回归作为机器学习的方法，对该训练集中的所有失真立体视频的特征矢量进行训练，使得经过训练得到的回归函数值与平均主观意见分之间的误差最小，拟合得到最优的权值opt opt opt opt
矢量W 和最优的偏置项b ，接着利用W 和b 构造得到支持向量回归训练模型，再根据支持向量回归训练模型，对该测试集中的每个失真立体视频的特征矢量进行测试，预测得到该测试集中的每个失真立体视频的客观质量评价预测值，将该测试集中的第k'个失真立体视频的客观质量评价预测值记为Qk'，Qk'＝f(xk')， 其中，
1≤k'≤t'，t'表示该测试集中包含的失真立体视频的个数，f()为函数表示形式，xk'表示测试集中的第k'个失真立体视频的特征矢量，Qk'＝f(xk')表示该测试集中的第k'个失真立体视频的客观质量评价预测值Qk'是该测试集中的第k'个失真立体视频的特征矢量opt T opt
xk'的函数，(W )为W 的转置矢量， 表示该测试集中的第k'个失真立体视频的线性函数。
2.根据权利要求1所述的一种基于机器学习的立体视频客观质量评价方法，其特征在(d)
于所述的步骤②中R 的左视点视频中的第k帧图像的亮度分量图 的空域质量QL,k的具体获取过程为：
②-1、分别将 和 分割成 个互不重叠的尺寸大小为c×r的第一图
像块，其中，W表示左视点视频中的图像和右视点视频中的图像的宽度，H表示左视点视频中的图像和右视点视频中的图像的高度，c的取值为能被W整除，r的取值为能被H整除；
②-2、对 中的每个第一图像块实施奇异值分解，得到 中的每个第一图像块的左奇异向量矩阵、右奇异向量矩阵和奇异值的对角矩阵；并对 中的每个第一图像块实施奇异值分解，得到 中的每个第一图像块的左奇异向量矩阵、右奇异向量矩阵和奇异值的对角矩阵；
②-3、根据 中的每个第一图像块的左奇异向量矩阵和右奇异向量矩阵、 中的每个第一图像块的左奇异向量矩阵和右奇异向量矩阵，计算 与 中所有的坐标位置相同的两个第一图像块的奇异向量的相似度矢量，将 中的第i个第一图像块与 中的第i个第一图像块的奇异向量的相似度矢量记为ΓL,i，ΓL,i＝[γ1…γq…γτ]，其中，i为正整数，1≤i≤Nblock，γ1＝|α1+β1|， γq＝|αq+βq|，
γτ＝|ατ+βτ|，
分别表示 中的第i个第一图像块的左奇异向量矩阵中的第1个、第q个、第τ个左奇异向量， 分别表示 中的第i个第一图像块的右奇异向量矩阵中的第1个、
第q个、第τ个右奇异向量， 分别表示 中的第i个第一图像块的左奇
异向量矩阵中的第1个、第q个、第τ个左奇异向量， 分别表示 中的第
i个第一图像块的右奇异向量矩阵中的第1个、第q个、第τ个右奇异向量，q为正整数，
1≤q≤τ，在此τ为第一图像块的奇异值的对角矩阵中的奇异值的个数，符号“||”为取绝对值符号；
②-4、根据 与 中所有的坐标位置相同的两个第一图像块的奇异向量的相似度矢量，计算 与 中所有的坐标位置相同的两个第一图像块的奇异向量的相似程度，将 中的第i个第一图像块与 中的第i个第一图像块的奇异向量的相似程度记为其中，ln()为以自然基数e为底的对数函数；
②-5、根据 与 中所有的坐标位置相同的两个第一图像块的奇异向量的相似程度，计算 的空域质量，记为QL,k，
3.根据权利要求2所述的一种基于机器学习的立体视频客观质量评价方法，其特征在于所述的步骤②-2的具体过程为：
②-2a、将 中当前待处理的第i个第一图像块定义为当前第一图像块，其中，i为正整数，1≤i≤Nblock；
②-2b、将当前第一图像块以矩阵形式表示为 对 实施奇异值分解，
其
中， 为 的左奇异向量矩阵， 为 的转置矩阵， 为 的右奇异向量矩阵，为 的奇异值的对角矩阵， 对角线上的元素为奇异值，且其值按照从大到小的顺序进行排列，1≤m≤r， 分别表示 中的第1个、第2个、…、第m
个、…、第r个左奇异向量，1≤q≤τ，τ＝min(r,c)，min()为最小值函数，diag()为对角矩阵表示符号， 分别表示 中的第1个、第2个、…、第q个、…、
第τ个奇异值，1≤n≤c， 分别表示 中的第1个、第2个、…、第
n个、…、第c个右奇异向量；
②-2c、令i＝i+1，将 中下一个待处理的第一图像块作为当前第一图像块，然后返回步骤②-2b继续执行，直至 中的所有第一图像块处理完毕，得到 中的每个第一图像块的左奇异向量矩阵、右奇异向量矩阵和奇异值的对角矩阵，其中，i＝i+1中的“＝”为赋值符号；
②-2d、将 中当前待处理的第i个第一图像块定义为当前第一图像块，其中，i为正整数，1≤i≤Nblock；
②-2e、将当前第一图像块以矩阵形式表示为 对 实施奇异值分解，
其中， 为 的左奇异向量矩阵， 为 的转置矩阵， 为 的右奇异向量
矩阵， 为 的奇异值的对角矩阵， 对角线上的元素为奇异值，且其值按照从大到小的顺序进行排列，1≤m≤r， 分别表示 中的第1个、第2个、…、第
m个、…、第r个左奇异向量，1≤q≤τ，τ＝min(r,c)，min()为最小值函数，diag()为对角矩阵表示符号， 分别表示 中的第1个、第2个、…、第q个、…、
第τ个奇异值，1≤n≤c， 分别表示 中的第1个、第2个、…、第
n个、…、第c个右奇异向量；
②-2f、令i＝i+1，将 中下一个待处理的第一图像块作为当前第一图像块，然后返回步骤②-2e继续执行，直至 中的所有第一图像块处理完毕，得到 中的每个第一图像块的左奇异向量矩阵、右奇异向量矩阵和奇异值的对角矩阵，其中，i＝i+1中的“＝”为赋值符号。
4.根据权利要求1所述的一种基于机器学习的立体视频客观质量评价方法，其特征在(d)
于所述的步骤④中R 的右视点视频中的第k帧图像的亮度分量图 的空域质量的空域质量QR,k的具体获取过程为：
④-1、分别将 和 分割成 个互不重叠的尺寸大小为c×r的第二图
像块，其中，W表示左视点视频中的图像和右视点视频中的图像的宽度，H表示左视点视频中的图像和右视点视频中的图像的高度，c的取值为能被W整除，r的取值为能被H整除；
④-2、对 中的每个第二图像块实施奇异值分解，得到 中的每个第二图像块的左奇异向量矩阵、右奇异向量矩阵和奇异值的对角矩阵；并对 中的每个第二图像块实施奇异值分解，得到 中的每个第二图像块的左奇异向量矩阵、右奇异向量矩阵和奇异值的对角矩阵；
④-3、根据 中的每个第二图像块的左奇异向量矩阵和右奇异向量矩阵、 中的每个第二图像块的左奇异向量矩阵和右奇异向量矩阵，计算 与 中所有的坐标位置相同的两个第二图像块的奇异向量的相似度矢量，将 中的第i个第二图像块与 中的第i个第二图像块的奇异向量的相似度矢量记为ΓR,i，ΓR,i＝[γ1'…γq'…γτ']，其中，i为正整数，1≤i≤Nblock，γ1'＝|α1'+β1'|， γq'
＝|αq'+βq'|， γτ'＝|ατ'+βτ'|，
分别表示 中的第i个第二图像块的左奇异向量矩阵中
的第1个、第q个、第τ个左奇异向量， 分别表示 中的第i个第二图
像块的右奇异向量矩阵中的第1个、第q个、第τ个右奇异向量， 分别表示 中的第i个第二图像块的左奇异向量矩阵中的第1个、第q个、第τ个左奇异向量，分别表示 中的第i个第二图像块的右奇异向量矩阵中的第1个、第q
个、第τ个右奇异向量，q为正整数，1≤q≤τ，在此τ为第二图像块的奇异值的对角矩阵中的奇异值的个数，符号“||”为取绝对值符号；
④-4、根据 与 中所有的坐标位置相同的两个第二图像块的奇异向量的相似度矢量，计算 与 中所有的坐标位置相同的两个第二图像块的奇异向量的相似程度，将 中的第i个第二图像块与 中的第i个第二图像块的奇异向量的相似程度记为SR,i, 其中，ln()为以自然基数e为底的对数函数；
④-5、根据 与 中所有的坐标位置相同的两个第二图像块的奇异向量的相似程度，计算 的空域质量，记为QR,k，
5.根据权利要求4所述的一种基于机器学习的立体视频客观质量评价方法，其特征在于所述的步骤④-2的具体过程为：
④-2a、将 中当前待处理的第i个第二图像块定义为当前第二图像块，其中，i为正整数，1≤i≤Nblock；
④-2b、将当前第二图像块以矩阵形式表示为 对 实施奇异值分解，
，其中， 为 的左奇异向量矩阵， 为 的转置矩阵， 为 的右奇异向
量矩阵， 为 的奇异值的对角矩阵， 对角线上的元素为奇异值，且其值按照从大到小的顺序进行排列，1≤m≤r， 分别表示 中的第1个、第2
个、…、第m个、…、第r个左奇异向量，1≤q≤τ，τ＝min(r,c)，min()为最小值函数，diag()为对角矩阵表示符号， 分别表示 中的第1个、第2
个、…、第q个、…、第τ个奇异值，1≤n≤c， 分别表示 中的
第1个、第2个、…、第n个、…、第c个右奇异向量；
④-2c、令i＝i+1，将 中下一个待处理的第二图像块作为当前第二图像块，然后返回步骤④-2b继续执行，直至 中的所有第二图像块处理完毕，得到 中的每个第二图像块的左奇异向量矩阵、右奇异向量矩阵和奇异值的对角矩阵，其中，i＝i+1中的“＝”为赋值符号；
④-2d、将 中当前待处理的第i个第二图像块定义为当前第二图像块，其中，i为正整数，1≤i≤Nblock；
④-2e、将当前第二图像块以矩阵形式表示为 对 实施奇异值分解，
，其中， 为 的左奇异向量矩阵， 为 的转置矩阵， 为 的右奇异
向量矩阵， 为 的奇异值的对角矩阵， 对角线上的元素为奇异值，且其值按照从大到小的顺序进行排列，1≤m≤r， 分别表示 中的第1个、第2
个、…、第m个、…、第r个左奇异向量，1≤q≤τ，τ＝min(r,c)，min()为最小值函数，diag()为对角矩阵表示符号， 分别表示 中的第1个、第2
个、…、第q个、…、第τ个奇异值，1≤n≤c， 分别表示 中的
第1个、第2个、…、第n个、…、第c个右奇异向量；
④-2f、令i＝i+1，将 中下一个待处理的第二图像块作为当前第二图像块，然后返回步骤④-2e继续执行，直至 中的所有第二图像块处理完毕，得到 中的每个第二图像块的左奇异向量矩阵、右奇异向量矩阵和奇异值的对角矩阵，其中，i＝i+1中的“＝”为赋值符号。
6.根据权利要求1至5中任一项所述的一种基于机器学习的立体视频客观质量评价方(d) (d)
法，其特征在于所述的步骤⑥中R 的左视点视频中的第k帧图像的亮度分量图 与R的右视点视频中的第k帧图像的亮度分量图 在视点间差异的变化程度QD,k的具体获取过程为：
(o) (o)
⑥-1、计算R 的左视点视频中的第k帧图像的亮度分量图 与R 的右视点视频中的第k帧图像的亮度分量图 的绝对差值图，记为 其中，符号“||”
为取绝对值符号；
(d) (d)
⑥-2、计算R 的左视点视频中的第k帧图像的亮度分量图 与R 的右视点视频中的第k帧图像的亮度分量图 的绝对差值图记为
⑥-3、采用尺寸大小为8×8的滑动窗口在 中逐像素点滑动，将 分割成
(W-7)×(H-7)个相重叠的尺寸大小为8×8的子块，同样采用尺寸大小为8×8的滑动窗口在 中逐像素点滑动，将 分割成(W-7)×(H-7)个相重叠的尺寸大小为8×8的子块，然后计算 和 中所有的坐标位置相同的两个子块的结构相似度，将 中左上角像素点的坐标位置为(x,y)的子块和 中左上角像素点的坐标位置为(x,y)的子块的结构相似度记为SSIM(x,y)， 其中，W表示
左视点视频中的图像和右视点视频中的图像的宽度，H表示左视点视频中的图像和右视点视频中的图像的高度，1≤x≤W-7,1≤y≤H-7， 表示 中左上角像素点的坐标位置为(x,y)的子块中的所有像素点的亮度值的均值， 表示 中左上角像素点的坐标位置为(x,y)的子块中的所有像素点的亮度值的均值， 表示 中左上角像素点的坐标位置为(x,y)的子块中的所有像素点的亮度值的方差， 表示 中左上角像素点的坐标位置为(x,y)的子块中的所有像素点的亮度值的方差， 表示 中左上角像素点的坐标位置为(x,y)的子块中的所有像素点的亮度值与 中左上角像素点的坐标位置为(x,y)的子块中的所有像素点的亮度值的协方差，C1和C2均为常数，C1≠0,C2≠0；
⑥-4、根据 和 中所有的坐标位置相同的两个子块的结构相似度，计算R(d)的左(d)
视点视频中的第k帧图像的亮度分量图 与R 的右视点视频中的第k帧图像的亮度分量图 在视点间差异的变化程度，记为QD,k，
7.根据权利要求6所述的一种基于机器学习的立体视频客观质量评价方法，其特征在于所述的步骤⑥-3中取C1＝6.5025，C2＝58.5225。
8.根据权利要求7所述的一种基于机器学习的立体视频客观质量评价方法，其特征在于所述的步骤⑨的具体过程为：
⑨-1、将该失真立体视频集合中的所有失真立体视频按来源分为n'组，然后从n'组中选出 组，再将选出的 组中的所有失真立体视频构成训练集，将未被选出的组中的所有失真立体视频构成测试集，或将选出的 组中的所有失真立体视频构成测试集，将未被选出的 组中的所有失真立体视频构成训练集，其中，符号为向下取整符号；
⑨-2、将训练集中的所有失真立体视频的特征矢量和平均主观意见分构成训练样本数据集，记为Ωt，{xk,MOSk}∈Ωt，其中，xk表示Ωt中的第k个失真立体视频的特征矢量，MOSk表示Ωt中的第k个失真立体视频的平均主观意见分，1≤k≤t，t表示训练集中包含的失真立体视频的个数；
⑨-3、构造Ωt中的每个失真立体视频的特征矢量的回归函数，将Ωt中的第k个失真立体视频的特征矢量xk的回归函数记为f(xk)， 其中，f()为函数表示
T
形式，W为权值矢量W的转置矢量，b为偏置项， 表示Ωt中的第k个失真立体视频的特征矢量xk的线性函数， K(xk,xl)为支持向量回归中的核函数，
为xl的转置矢量，xl表示Ωt中的第l个失真立体视频的特征矢
量；
⑨-4、采用支持向量回归作为机器学习的方法，对Ωt中的所有失真立体视频的特征矢量进行训练，使得经过训练得到的回归函数值与平均主观意见分之间的误差最小，拟opt opt opt
合得到最优的权值矢量W 和最优的偏置项b ，然后将最优的权值矢量W 和最优的偏opt opt opt
置项b 的组合记为(W ,b )， 再利用得到
的最优的权值矢量Wopt和最优的偏置项bopt构造支持向量回归训练模型，记为f(xinput)，其中，ψ表示对Ωt中的所有失真立体视频的特征矢量进
行训练时的权重矢量和偏置项的所有可能的组合的集合， 表示最小化概率密opt T opt
度函数，xinput表示支持向量回归训练模型的输入矢量，(W )为W 的转置矢量，表示支持向量回归训练模型的输入矢量xinput的线性函数；
⑨-5、根据支持向量回归训练模型，对测试集中的每个失真立体视频的特征矢量进行测试，预测得到测试集中的每个失真立体视频的客观质量评价预测值，将测试集中的第k'个失真立体视频的客观质量评价预测值记为Qk'，Qk'＝f(xk')，
其中，1≤k'≤t'，t'表示测试集中包含的失真立体视频的个数，xk'表示测试集中的第k'个失真立体视频的特征矢量， 表示测试集中的第k'个失真立体视频的线性函数。