【技术实现步骤摘要】
投影仪姿态估计、梯形校正方法、装置、投影仪及介质
本申请涉及投影显示
，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。
技术介绍
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。
技术实现思路
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...
【技术保护点】
1.一种投影仪姿态估计方法，其特征在于，包括：/n获取投影画面的图像；/n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。/n
【技术特征摘要】
1.一种投影仪姿态估计方法，其特征在于，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。
2.根据权利要求1所述的一种投影仪姿态估计方法，其特征在于，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。
3.根据权利要求1所述的一种投影仪姿态估计方法，其特征在于，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。
4.根据权利要求1所述的一种投影仪姿态估计方法，其特征在于，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。
5.根据权利要求4所述的一种投影仪姿态估计方法，其特征在于，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：
将所述获取到的投影画面图像作为输入数据，将所述投影画面图像对应的投影仪姿态参数作为监督数据，对卷积神经网络进行训练。
6.根据权利要求4所述的一种投影仪姿态估计方法，其特征在于，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：
对所述获取到的投影画面图像进行二值化，生成所述投影画面图像的二值图像；
将所述投影画面图像的二值图像作为输入数据，将所述投影画面图像对应的投影仪姿态参数作为监督数据，对卷积神经网络进行训练。
7.根据权利要求3或6所述的一种投影仪姿态估计方法，其特征在于，所述二值化的方法包括：
对待二值化图像进行预处理，得到与所述待二值化图像同分辨率的二值图像。
8.根据权利要求7所述的一种投影仪姿态估计方法，其特征在于，所述对待二值化图像进行预处理，得到与所述待二值化图像同分辨率的二值图像包括：
对所述待二值化图像进行灰度化，得到灰度图像；
对所述灰度图像去噪；
对去噪后的灰度图像进行灰度直方图统计；
根据灰度直方图统计数进行固定阈值二值化，生成与所述待二值化图像同分辨率的二值图像。
9.根据权利要求8所述的一种投影仪姿态估计方法，其特征在于，所述固定阈值为所述灰度直方图统计数中值对应的灰度值。
10.根据权利要求1-3中任一项所述的一种投影仪姿态估计方法，其特征在于，所述姿态估计模型为训练完成的卷积神经网络。
11.根据权利要求1-9中任...
【专利技术属性】
技术研发人员：赖俊霖，王鑫，
申请(专利权)人：成都极米科技股份有限公司，
类型：发明
国别省市：四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。