[发明专利]观测者动态眼位条件下AR-HUD虚像畸变校正的神经网络插值方法

权利要求书

1.一种观测者动态眼位条件下AR-HUD虚像畸变校正的神经网络插值方法，其特征在于，该方法具体包括以下步骤：

S1：建立基于多层前向神经网络(Multilayer Feedforward Neural Networks,MFNN)的虚像畸变形成的多元输入-输出映射关系；具体包括：设某眼位点坐标为HUD虚像平面上的点的坐标为P(x_i,y₀,z_i),i＝1,2,,n，HUD原相平面输入坐标为U_i,j(u_i,j,v_i,j)，则由虚像平面到原输入相平面的映射关系，即虚像的预畸变变换用神经网络表示为：

其中，网络输入为：i＝1,2,3,…,n，j＝1,2,3,…,m；

网络理想输出为：{u_i,j,v_i,j}，i＝1,2,3,…,n，j＝1,2,3,…,m；

网络实际输出为：

网络误差函数为：

S2：利用棋盘格图像的映射关系建立神经网络学习训练样本集；

S3：利用获得的训练样本集进行网络离线学习训练；

S4：基于神经网络非线性拟合与连续插值的AR-HUD虚像预畸变处理，即得到AR-HUD网络模型，实现AR-HUD虚像畸变实时校正过程；具体包括：应用步骤S3学习训练完成的神经网络进行动态眼位条件下由虚像平面是任一点向原输入相平面上一点的连续映射；对于样本点之外的眼位和虚像平面的点集映射，应用神经网络的非线性拟合特性，进行高维空间中的连续插值，实现虚像平面上图像的预畸变处理；实时地将瞳孔眼位三维坐标数据输入到AR-HUD网络模型，网络估计出与之对应得HUD输入图像中应设计确定的图像数据，即为AR-HUD的虚像畸变实时校正过程。

2.根据权利要求1所述的观测者动态眼位条件下AR-HUD虚像畸变校正的神经网络插值方法，其特征在于，所述步骤S2具体包括：将HUD的输入图像设定为标准的棋盘格图像，其中的若干个分布规则的格点在原图像和虚像中依次对应标出；设选出n个格点作为原图像和虚像中的对应畸变点集，采样是选取m个有代表性的眼位，每个眼位均能建立n个对应关系，从而形成m×n个神经网络输入-输出学习训练样本集：

3.根据权利要求2所述的观测者动态眼位条件下AR-HUD虚像畸变校正的神经网络插值方法，其特征在于，所述步骤S3具体包括：通过神经网络误差反向传播算法对MFNN网络进行离线学习训练，使得误差E小于等于阈值β，得到网络权系数W^*，由此任给虚像平面点P(x_i,y₀,z_i),i＝1,2,,n和眼位坐标输入到网络，得到网络输出