5、基于支持向量回归及社交传感器网络的增强现实与环境监测技术

基于支持向量回归及社交传感器网络的增强现实与环境监测技术

1. 基于支持向量回归的无标记增强现实抖动减少

在无标记增强现实（AR）系统中，输出的抖动问题会严重影响用户体验，为解决这一问题，可采用基于支持向量回归（SVR）的方法。

1.1 SVR参数调整

SVR中的参数C和γ的最佳值取决于特定应用中用户的典型运动。可通过使用k折交叉验证在二维参数空间进行网格搜索来确定最佳值，实验中k取值为10。对于平移分量和四元数分量的动态，分别估计参数的最佳值。通过比较每帧中预测数据和输入数据的均方误差（MSE）来选择最佳参数配置。对于平移，最佳参数为C = 2⁻³和γ = 2.0；对于旋转，最佳参数为C = 2⁻⁷和γ = 32.0。

这种调整方式的局限性在于搜索最佳参数的条件与运行时使用的条件不同，交叉验证是随机选择样本，并非仅使用之前测量值的滑动窗口来生成预测，而是混合了时间轴上的过去和未来测量值。不过，估计的参数值在实际场景中能实现令人满意的抖动减少，并且该方法对参数变化不太敏感，在航空维护场景中估计的参数可成功应用于其他场景，几乎无需精细调参，可在大多数AR应用中实现“即插即用”。

1.2 抖动减少和错误恢复

为展示结果，选取一个完整测试序列（超过1870帧），该序列为航空维护场景的AR应用，展示了塞斯纳飞机的燃油箱盖，渲染内容是一个简单的OpenGL演示对象。测试序列对基于局部特征的实时姿态估计具有挑战性，因为参考对象纹理少、相机移动快且相机姿态范围广。由于缺乏真实的地面真值，将结果与系统能产生的最佳估计进行比较，即使用SIFT在全分辨率图像上进行图像加倍得到的对应关系所获得的估计。

首先，比较了