[發明專利]投影儀姿態估計、梯形校正方法、裝置、投影儀及介質

在審

• 申請號: 202011542663.8
• 申請日: 2020-12-23
• 公開（公告）號: CN112598728A
• 公開（公告）日: 2021-04-02
• 發明（設計）人: 賴俊霖;王鑫
• 申請（專利權）人: 成都極米科技股份有限公司
• 主分類號: G06T7/70
• 分類號: G06T7/70;H04N9/31
• 代理公司: 暫無信息
• 代理人: 暫無信息

本申請公開了一種投影儀姿態估計、梯形校正方法、裝置、投影儀及介質。投影儀姿態估計方法包括：獲取投影畫面的圖像；根據所述圖像和姿態估計模型得到投影儀的姿態參數，所述姿態估計模型是利用不同姿態下的投影畫面圖像及其對應的投影儀姿態參數訓練得到的。根據投影儀姿態估計方法得到投影儀的姿態參數后，即可根據投影儀的姿態參數進行梯形校正。本申請利用神經網絡等深度學習方法強大的非線性擬合能力來得到更加精確的模型，訓練過程簡單，建立起圖像端到姿態端的直接計算過程，提高投影儀姿態估計的精度，進而提高自動梯形校正的精度，且計算過程簡單。此外，用戶后期可自行進行模型修正，進一步提高自動梯形校正精度，提升用戶體驗。

技術領域

本申請涉及投影顯示技術領域，尤其涉及一種投影儀姿態估計、梯形校正方法、裝置、投影儀及介質。

背景技術

目前，投影儀都開始具備自動梯形校正功能，其核心流程通常都是通過投射設計好的特征圖，再基于光學原理計算出需要校正姿態進而實現自動梯形校正，即整個過程是用戶可感知的。同時，基于光學結構的校正會受到各種因素影響，引起標定的光學結構失效，從而可能會出現用戶無法正常進行自動梯形校正的情形。

現有的梯形校正，使用預先標定好的光學模型，且通過配合特定的特征圖進行特征匹配和計算。標定模型的精度和特征的提取與計算精度會直接影響最終自動梯形校正的精度。且標定和計算過程復雜，同時模型的改變會直接導致預標定模型的失效。

發明內容

現有的梯形校正技術通常需要配合專業特征圖實現，且梯形校正的效果和精度依賴于特征算法精度和光學模型標定精度。自動梯形校正過程主要通過對特征點進行提取和定位，然后基于標定的光學模型進行計算，過程中每一步的精度和算法魯棒性都會對最終的效果產生影響。有鑒于此，本申請提供一種基于深度卷積神經網絡等深度學習的方法實現投影儀姿態估計，進而根據投影儀姿態實現自動梯形校正的方法、裝置、投影儀及介質，其核心是利用神經網絡等深度學習模型強大的非線性擬合能力來擬合非線性光學模型，實現自動梯形校正。

第一方面，本申請提供一種投影儀姿態估計方法，包括：

獲取投影畫面的圖像；

根據所述圖像和姿態估計模型得到投影儀的姿態參數，所述姿態估計模型是利用不同姿態下的投影畫面圖像及其對應的投影儀姿態參數訓練得到的。

在一種可能的實現方式中，所述根據所述圖像和姿態估計模型得到投影儀的姿態參數包括：

將所述圖像輸入到所述姿態估計模型中，由所述姿態估計模型輸出投影儀的姿態參數。

在一種可能的實現方式中，所述根據所述圖像和姿態估計模型得到投影儀的姿態參數包括：

對所述圖像進行二值化，生成所述圖像的二值圖像；

將所述圖像的二值圖像輸入到所述姿態估計模型中，由所述姿態估計模型輸出投影儀的姿態參數。

在一種可能的實現方式中，所述姿態估計模型的訓練方法包括：

獲取投影儀正投時的投影畫面圖像及對應的投影儀姿態參數；

獲取投影儀側投時的投影畫面圖像及對應的投影儀姿態參數；

獲取投影儀只存在俯仰角時的投影畫面圖像及對應的投影儀姿態參數；

獲取投影儀存在水平旋轉角和俯仰角時的投影畫面圖像及對應的投影儀姿態參數；

利用獲取到的投影畫面圖像及對應的投影儀姿態參數組成訓練集訓練卷積神經網絡，得到所述姿態估計模型。

在一種可能的實現方式中，所述利用獲取到的投影畫面圖像及對應的投影儀姿態參數訓練卷積神經網絡包括：