[发明专利]投影仪姿态估计、梯形校正方法、装置、投影仪及介质

说明书

本申请公开了一种投影仪姿态估计、梯形校正方法、装置、投影仪及介质。投影仪姿态估计方法包括：获取投影画面的图像；根据所述图像和姿态估计模型得到投影仪的姿态参数，所述姿态估计模型是利用不同姿态下的投影画面图像及其对应的投影仪姿态参数训练得到的。根据投影仪姿态估计方法得到投影仪的姿态参数后，即可根据投影仪的姿态参数进行梯形校正。本申请利用神经网络等深度学习方法强大的非线性拟合能力来得到更加精确的模型，训练过程简单，建立起图像端到姿态端的直接计算过程，提高投影仪姿态估计的精度，进而提高自动梯形校正的精度，且计算过程简单。此外，用户后期可自行进行模型修正，进一步提高自动梯形校正精度，提升用户体验。

技术领域

本申请涉及投影显示技术领域，尤其涉及一种投影仪姿态估计、梯形校正方法、装置、投影仪及介质。

背景技术

目前，投影仪都开始具备自动梯形校正功能，其核心流程通常都是通过投射设计好的特征图，再基于光学原理计算出需要校正姿态进而实现自动梯形校正，即整个过程是用户可感知的。同时，基于光学结构的校正会受到各种因素影响，引起标定的光学结构失效，从而可能会出现用户无法正常进行自动梯形校正的情形。

现有的梯形校正，使用预先标定好的光学模型，且通过配合特定的特征图进行特征匹配和计算。标定模型的精度和特征的提取与计算精度会直接影响最终自动梯形校正的精度。且标定和计算过程复杂，同时模型的改变会直接导致预标定模型的失效。

发明内容

现有的梯形校正技术通常需要配合专业特征图实现，且梯形校正的效果和精度依赖于特征算法精度和光学模型标定精度。自动梯形校正过程主要通过对特征点进行提取和定位，然后基于标定的光学模型进行计算，过程中每一步的精度和算法鲁棒性都会对最终的效果产生影响。有鉴于此，本申请提供一种基于深度卷积神经网络等深度学习的方法实现投影仪姿态估计，进而根据投影仪姿态实现自动梯形校正的方法、装置、投影仪及介质，其核心是利用神经网络等深度学习模型强大的非线性拟合能力来拟合非线性光学模型，实现自动梯形校正。

第一方面，本申请提供一种投影仪姿态估计方法，包括：

获取投影画面的图像；

根据所述图像和姿态估计模型得到投影仪的姿态参数，所述姿态估计模型是利用不同姿态下的投影画面图像及其对应的投影仪姿态参数训练得到的。

在一种可能的实现方式中，所述根据所述图像和姿态估计模型得到投影仪的姿态参数包括：

将所述图像输入到所述姿态估计模型中，由所述姿态估计模型输出投影仪的姿态参数。

在一种可能的实现方式中，所述根据所述图像和姿态估计模型得到投影仪的姿态参数包括：

对所述图像进行二值化，生成所述图像的二值图像；

将所述图像的二值图像输入到所述姿态估计模型中，由所述姿态估计模型输出投影仪的姿态参数。

在一种可能的实现方式中，所述姿态估计模型的训练方法包括：

获取投影仪正投时的投影画面图像及对应的投影仪姿态参数；

获取投影仪侧投时的投影画面图像及对应的投影仪姿态参数；

获取投影仪只存在俯仰角时的投影画面图像及对应的投影仪姿态参数；

获取投影仪存在水平旋转角和俯仰角时的投影画面图像及对应的投影仪姿态参数；

利用获取到的投影画面图像及对应的投影仪姿态参数组成训练集训练卷积神经网络，得到所述姿态估计模型。

在一种可能的实现方式中，所述利用获取到的投影画面图像及对应的投影仪姿态参数训练卷积神经网络包括：